18 lines
1.2 KiB
TeX
18 lines
1.2 KiB
TeX
% !TEX root = documentation.tex
|
|
|
|
\titlehead{BSc Computational and Data Science\\CDS1011 Einführung in Data Science\\Dozent: Prof. Corsin Capol\hfill}
|
|
\title{Kalorienberechnung anhand von Trainingsdaten mit Machine Learning}
|
|
\author[1,*]{Yannick Toth}
|
|
\author[1]{Arif Hizlan}
|
|
\author[1]{Dario Hollbach}
|
|
\affil[1]{Fachhochschule Graubünden}
|
|
\affil[*]{E-Mail Adressen: yannick.toth@stud.fhgr.ch, arif.hizlan@stud.fhgr.ch, dario.hollbach@stud.fhgr.ch}
|
|
\date{\today}
|
|
\maketitle
|
|
|
|
\begin{abstract}
|
|
In dieser Arbeit wurde analysiert, wie verschiedene Machine-Learning-Modelle den Kalorienverbrauch von Trainingsaktivitäten berechnen können. Insgesamt erwies sich Gradient Boosting als das robusteste Modell mit der höchsten Vorhersagegenauigkeit, während XGBoost und Decision Trees besonders von der Bereinigung extremer Ausreisser profitierten. Die Analyse der Residuen belegte bei Aktivitäten mit sehr hohem Kalorienverbrauch, dass grössere Abweichungen auftreten. Eine sorgfältige Datenaufbereitung sowie die Modellwahl werden als entscheidend für zuverlässige Vorhersagen erachtet. Für praktische Anwendungen bieten die robustesten Modelle wie Gradient Boosting die beste Kombination aus Genauigkeit und Generalisierbarkeit.
|
|
\end{abstract}
|
|
|
|
\thispagestyle{empty}
|