TY - JOUR A2 - Greco, Adriana AU - Kheirollahpour, Maryam M. AU - Danaee, Mahmoud M. AU - american, Amir Faisal A. F. AU - Shariff, Asma Ahmad A. A. PY - 2020 DA - 2020/05/18 TI -饮食行为影响因素的预测:结构方程建模-人工神经网络的混合模型SP - 4194293 VL - 2020 AB -饮食行为危险因素在肥胖一级预防中的重要性已经建立。研究人员大多使用线性模型来确定这些风险因素之间的关联。然而，在现实中，这些因素之间的非线性的存在导致了预测模型的偏差。本研究的目的是探索一种混合模型预测饮食行为的潜力。采用结构方程模型(SEM)和人工神经网络(ANN)的混合模型对预测模型进行评价。采用扫描电镜(SEM)分析情绪进食量表(EES)、体型关注量表(BSC)和身体欣赏量表(BAS)之间的关系及其对不同饮食行为类型(EBP)的影响。第二步，从SEM分析中得到ANN分析所需的输入和输出，并将其应用到神经网络模型中。340名大学生参与了这项研究。采用具有前馈网络拓扑结构的多层感知器(MLP)建立了混合模型(SEM-ANN)。 Moreover, Levenberg–Marquardt, which is a supervised learning model, was applied as a learning method for MLP training. The tangent/sigmoid function was used for the input layer, while the linear function was applied for the output layer. The coefficient of determination ( R ²)和均方误差(MSE)计算。采用混合模型，最优网络出现在MLP 3-17-8处。结果表明，混合模型优于扫描电镜方法 R ²提高了27%，MSE降低了9.6%。此外，平衡计分卡、BAS和EES显著影响健康和不健康饮食行为模式。因此，从机器学习的角度来看，混合方法可以作为一种重要的方法学贡献提出，它可以作为软件实现，以最高的精度预测模型。SN - 2356-6140 UR - https://doi.org/10.1155/2020/4194293 DO - 10.1155/2020/4194293 JF -科学世界杂志PB - Hindawi KW - ER -