Obesity is a critical public health problem associated with various complications and diseases. Accurate prediction of body fat is crucial for diagnosing obesity. Various measurement methods, including underwater weighing, dual energy X-ray absorptiometry, bioelectrical impedance analysis, magnetic resonance imaging, air displacement plethysmography, and near infrared interactance, have been used to assess body fat. These measurement methods, however, require special equipment associated with high-cost tests. The aim of this study is to investigate the use of machine learning-based models to accurately predict the body fat percentage. Considering the fact that off-the-shelf machine learning-based models are typically sensitive to noise data, we propose a fuzzy-weighted Gaussian kernel-based Relative Error Support Vector Machine (RE-SVM) for body fat prediction. We first design a fuzzy-weighted operation, which applies fuzzy weights to the error constraints of the RE-SVM, to alleviate the influence of noise data. Next, we also apply the fuzzy weights to improve the Gaussian kernel by considering the importance of different samples. Computational experiments and statistical tests conducted confirm that our proposed approach is able to significantly outperform other models being compared for body fat prediction across different performance metrics used. The proposed approach offers a viable alternative for diagnosing obesity when high-cost measurement methods are not available.

肥胖是与各种并发症和疾病相关的严重公共卫生问题。准确预测体脂肪对于诊断肥胖至关重要。各种测量方法，包括水下称重、双能 X 射线吸收测定法、生物电阻抗分析、磁共振成像、空气置换体积描记法和近红外相互作用，已被用于评估体脂肪。然而，这些测量方法需要与高成本测试相关的特殊设备。本研究的目的是调查使用基于机器学习的模型来准确预测体脂百分比。考虑到现成的基于机器学习的模型通常对噪声数据敏感，我们提出了一种基于模糊加权高斯核的相对误差支持向量机 (RE-SVM) 用于体脂预测。我们首先设计了一个模糊加权操作，将模糊权重应用于 RE-SVM 的误差约束，以减轻噪声数据的影响。接下来，我们还通过考虑不同样本的重要性来应用模糊权重来改进高斯核。进行的计算实验和统计测试证实，我们提出的方法能够显着优于其他被比较的模型，用于跨使用的不同性能指标进行体脂预测。当高成本的测量方法不可用时，所提出的方法为诊断肥胖提供了一种可行的替代方法。它将模糊权重应用于 RE-SVM 的误差约束，以减轻噪声数据的影响。接下来，我们还通过考虑不同样本的重要性来应用模糊权重来改进高斯核。进行的计算实验和统计测试证实，我们提出的方法能够显着优于其他被比较的模型，用于跨使用的不同性能指标进行体脂预测。当高成本的测量方法不可用时，所提出的方法为诊断肥胖提供了一种可行的替代方法。它将模糊权重应用于 RE-SVM 的误差约束，以减轻噪声数据的影响。接下来，我们还通过考虑不同样本的重要性来应用模糊权重来改进高斯核。进行的计算实验和统计测试证实，我们提出的方法能够显着优于其他被比较的模型，用于跨使用的不同性能指标进行体脂预测。当高成本的测量方法不可用时，所提出的方法为诊断肥胖提供了一种可行的替代方法。进行的计算实验和统计测试证实，我们提出的方法能够显着优于其他被比较的模型，用于跨使用的不同性能指标进行体脂预测。当高成本的测量方法不可用时，所提出的方法为诊断肥胖提供了一种可行的替代方法。进行的计算实验和统计测试证实，我们提出的方法能够显着优于其他被比较的模型，用于跨使用的不同性能指标进行体脂预测。当高成本的测量方法不可用时，所提出的方法为诊断肥胖提供了一种可行的替代方法。