详细内容或原文请订阅后点击阅览
及时聚集饮食行为：一种预防健康的机器学习方法
使用机器学习了解餐食的时间如何支持预防性医疗饮食后饮食行为：预防健康的机器学习方法首先出现在数据科学方面。
来源:走向数据科学我们吃的东西很重要 - 但是，如果何时何地，我们饮食何时和多久都很重要呢？
什么 多久在正在进行的科学辩论中，围绕间歇性禁食的好处，这个问题变得更加有趣。当某人对机器学习和健康生活充满热情时，我受到了2017年研究论文的启发[1]探索了这一交叉点。作者引入了一种新颖的距离度量标准，称为修改动态时间翘曲（MDTW），该技术不仅旨在考虑餐食的营养含量，而且还考虑了整天的时间。
间歇性禁食 修改的动态时间翘曲（MDTW） 时机是在他们的工作[1]的动机上，我使用Python从头开始建立了MDTW的完整实现。我将其应用于群集模拟的个体饮食模式，发现了船长，小吃和夜间食者等不同行为。
时间饮食模式虽然MDTW听起来像是利基指标，但它填补了时间序列比较的关键空白。传统的距离措施（例如欧几里得距离甚至经典的动态时间翘曲（DTW））在应用于饮食数据时挣扎。人们不会在固定的时间或持续的频率上进食。他们不规则地跳过餐，零食或深夜吃饭。
MDTW的设计目的是为这种时间不对对准和行为变异性。 通过允许灵活的对齐方式，同时惩罚营养含量和餐食时机的不匹配，MDTW揭示了人们饮食的细微但有意义的差异。
MDTW的设计目的是为这种时间不对对准和行为变异性。