Summary translated by

A obesidade, atualmente a quinta principal causa de morte no mundo, teve um aumento significativo na prevalência nas últimas quatro décadas. A identificação oportuna do risco de obesidade facilita medidas proativas contra fatores associados. Neste artigo, propusemos uma nova estrutura de aprendizado de máquina para prever a suscetibilidade à obesidade chamada ObeRisk. O modelo proposto consiste em três partes principais: estágio de pré-processamento (PS), estágio de característica (FS) e previsão de risco de obesidade (OPR). No PS, o conjunto de dados usado foi pré-processado por meio de vários processos: preenchimento de valores nulos, codificação de características, remoção de outliers e normalização. Em seguida, os dados pré-processados foram passados para FS, onde as características mais úteis foram selecionadas. Neste artigo, introduzimos uma nova metodologia de seleção de características chamada algoritmo Bat quântico controlado por entropia (EC-QBA), que incorporou duas variações ao algoritmo Bat tradicional (BA): (i) controlar os parâmetros do BA usando entropia de Shannon e (ii) atualizar as posições do BA na busca local usando mecanismos quânticos. Em seguida, esses recursos selecionados foram inseridos em diversos algoritmos de aprendizado de máquina (ML), incluindo LR, LGBM, XGB, AdaBoost, MLP, KNN e SVM. A decisão final foi obtida com base na votação majoritária. Os resultados experimentais demonstraram que o EC-QBA proposto superou a metodologia de seleção de recursos mais recente em termos de exatidão, precisão, sensibilidade e medida F. Ele apresentou 96% de exatidão, 96% de precisão, 96,5% de sensibilidade e 96,25% de medida F. Além disso, os resultados experimentais indicaram que o EC-QBA com o modelo OPR proposto apresentou o melhor desempenho, superando as estratégias modernas de predição da obesidade ao atingir a máxima precisão.