[논문]Classification Model of Food Groups in Food Exchange Table Using Decision Tree-based Machine Learning

Kim, Ji Yun; Kim, Jongwan

doi:10.9708/jksci.2022.27.12.051

초록
AI-Helper

본 논문에서 우리는 기존 식품과 웹 크롤링으로 찾은 식품 데이터에 대해 기계학습으로 식품군을 분류하여 식품교환표를 갱신하기 위한 의사결정트리 기반의 기계학습 모델을 제안한다. 식품교환표는 영양 관리가 필요한 환자의 식이요법이나 다이어트 식단을 편성할 때 식품 교환 섭취에 사용된다. 식단의 기준이 되는 식품교환표는 국민건강영양조사를 통한 개정과정에서 많은 인력과 시간이 소요되어 새로운 식품이나 트렌드에 따른 식품 변화를 신속하게 반영하기 어렵다. 제안 기법은 기존의 식품군을 바탕으로 새롭게 추가되는 식품을 분류하기 때문에 식품의 트렌드를 반영한 식품교환표 구성이 가능하다. 연구에서 제안 모델로 식품을 분류한 결과, 식품교환표의 식품군에 대한 정확도가 97.45%로 나타났으며, 본 식품 분류 모델은 병원, 요양원 등에서 식단 구성에 활용도가 높을 것으로 전망된다.

Abstract ▼ AI-Helper

In this paper, we propose a decision tree-based machine learning model that leads to food exchange table renewal by classifying food groups through machine learning for existing food and food data found by web crawling. The food exchange table is the standard for food exchange intake when composing ...

In this paper, we propose a decision tree-based machine learning model that leads to food exchange table renewal by classifying food groups through machine learning for existing food and food data found by web crawling. The food exchange table is the standard for food exchange intake when composing a diet such as diet and diet, as well as patients who need nutritional management. The food exchange table, which is the standard for the composition of the diet, takes a lot of manpower and time in the process of revision through the National Health and Nutrition Survey, making it difficult to quickly reflect food changes according to new foods or trends. Since the proposed technique classifies newly added foods based on the existing food group, it is possible to organize a rapid food exchange table reflecting the trend of food. As a result of classifying food into the proposed model in the study, the accuracy of the food group in the food exchange table was 97.45%, so this food classification model is expected to be highly utilized for the composition of a diet that suits your taste in hospitals and nursing homes.

주제어

표/그림 (15)

그림 Fig. 1. Decision Tree of Machine Learning
표 Table 1. Food Exchange Table and Exchange Units
그림 Fig. 2. Data Pre-processing and Model Configuration
표 Table 2. Morphological Analysis
표 Table 3. Pre-processing of food data
그림 Fig. 3. Decision Tree Learning Model for Food Classification
그림 Fig. 4. Scores in Depth of Decision Tree
표 Table 4. Classification Model Development Envirionment
그림 Fig. 5. Training Model with Random Search
그림 Fig. 6. Decision Process of Decision Tree
표 Table 5. Decision Tree Model Parameters
표 Table 6. Random Search Tunning Parameter
그림 Fig. 7. n_tier of Random Search
표 Table 8. Food Groups Classification Results
표 Table 7. Food Group and Categorized Foods

AI 본문요약
AI-Helper

문제 정의

본 연구는 기계학습을 통해 개별 식품이 속하는 식품군을 분류함으로써 인공지능을 이용한 신속한 식품교환표 구성의 가능성을 제시한다. 이를 실무에 적용할 경우, 시간과 인력 절감으로 경제적 효과를 유발하며 식품의 트렌드가 반영된 식품교환표를 신속하게 구축할 수 있으므로 식품교환으로 지속적인 건강관리의 가능성을 높일 것이다.
본 연구는 기존 식품과 새로운 식품에 대한 식품군을 분류함으로써 식품교환표에 신속한 식품 추가를 위한 기계학습 기반의 식품 분류 기법을 제안하였다.

가설 설정

- 식품교환표 개정 시 수작업으로 수행해온 식품 분류과정의 시간과 인력을 절약한다.

제안 방법

여러 개의 검증 데이터 중 성능이 높은 것을 훈련 데이터에 포함하여 최종 의사결정트리 모델로 학습한다. 검증 데이터로 확인한 정확도는 기본 결정트리를 사용한 것이며 가지치기, 파라미터 변경 등을 통한 정확도 향상은 실험 과정에서 기본 모델을 튜닝하여 진행한다.
식품의 영양소인 지방, 단백질, 탄수화물, 총 식이섬유, 총당류는 각각 100 칼로리(calory)를 기준으로 정규화하여 해당 비율에 맞는 식품군으로 분류되도록 하였다. 식품군은 기존의 6개에서 총 8가지로 확장하고 데이터 수가 적은 저지방 우유와 일반 우유 군은 통합한다.
검증 데이터는 훈련 데이터로 훈련한 초기 모델의 성능을 확인하고자 사용하며 과적합(overfitting)이나 과소적합(underfitting)이 발생하면 검증 데이터를 다른 위치에서 선택하여 사용한다. 여러 개의 검증 데이터 중 성능이 높은 것을 훈련 데이터에 포함하여 최종 의사결정트리 모델로 학습한다. 검증 데이터로 확인한 정확도는 기본 결정트리를 사용한 것이며 가지치기, 파라미터 변경 등을 통한 정확도 향상은 실험 과정에서 기본 모델을 튜닝하여 진행한다.
의사결정트리를 사용한 지도학습에서 라벨링(labeling)을 위한 속성에는 지방, 단백질, 탄수화물, 총 식이섬유, 총당류 및 카테고리 항목을 사용하였으며 학습 결과는 각 식품에 대한 식품군으로 분류되었다.
45%로 향상되었다. 이처럼 향상된 결과를 얻기 위한 시도로 기존 연구를 확장하여 웹 크롤링으로 수집한 데이터에서 형태소 분석을 사용하여 새로운 음식을 발굴하고 기존 식품 데이터로 학습한 의사결정 모델로 분류하였다. 또한, 의사결정트리에서 최적의 하이퍼파라미터를 찾기 위해 랜덤 서치를 적용하였다.

대상 데이터

기계학습을 위한 의사결정 모델은 Fig. 2와 같이 구성되며 식품의 지방, 단백질, 탄수화물, 총 식이섬유, 총당류의 함량과 카테고리 정보를 데이터로 사용한다. 데이터는 훈련(train) 데이터, 검증(validation) 데이터 및 테스트(test) 데이터로 구분한다.
기계학습을 위한 데이터 구성은 Fig. 3의 2~13행과 같이 전체 데이터 1,192개를 훈련 데이터(716), 검증 데이터(238), 테스트 데이터(238)로 구분하여 각각 60:20:20의 비율로 나눴다.

이론/모형

식품교환표는 2010년에 개발된 이후 일부 개정을 위한 노력이 있었으나 현재까지 병원, 요양원 등의 실무에서 2010년 식품교환표를 기준으로 사용한다. 따라서 본 논문에서는 2010년에 개발된 식품교환표를 적용한다.
본 학습 과정에서 성능개선을 위한 튜닝은 최적 하이퍼파라미터를 찾기 위해 scikit-learn의 RandomizedSearchCV()함수를 이용한 랜덤 서치를 사용하였다. RandomizedSea rchCV()는 파라미터에 따라 최적의 값을 찾아주므로 의사결정트리와 같이 깊이가 깊으면 자동 탐색이 가능하다.
식품군 분류를 위한 인공지능 모델은 의사결정트리를 적용하였다. 의사결정트리를 사용한 이유는 식품 분류과정에서 각 노드의 불순도와 하위 트리의 개수 확인이 쉽고 트리의 깊이별 분류과정을 직관적으로 파악할 수 있기 때문이다.
00042167, min_samples_leaf: 7, min_samples_split: 15로 계산되었다. 의사결정 모델은 튜닝된 하이퍼파라미터에 따라 재훈련 후 식품분류에 사용하였다.

성능/효과

또한, 형태소 분석으로 식별된 식품도 각 식품의 영양소를 기준으로 기존 식품교환표의 범위를 벗어나지 않고 분류되었다. 결과적으로, 식품들이 의사결정 모델을 통해 식품군으로 분류된 것은 새로운 식품에 대한 속성을 기준으로 신속한 분류가 가능하다는 것을 의미한다. 각 식품군에 포함되는 식품 분류 결과는 Table 8과 같으며 지면 관계상 일부만 표기하였다.
기존 식품교환표의 식품을 의사결정 모델로 분류한 결과는 모두 8개 식품군에 속하는 것으로 나타났다. 또한, 형태소 분석으로 식별된 식품도 각 식품의 영양소를 기준으로 기존 식품교환표의 범위를 벗어나지 않고 분류되었다.
본 연구 결과, 분류 모델을 통한 식품 분류는 기존 식품 분류와 대비하여 수작업을 줄임으로써 소요 시간과 비용의 감소를 가져올 것이다. 본 의사결정 모델은 새로운 식품 분류에도 성능을 발휘하므로 식품 선호도를 식품교환표에 신속히 반영하기 위한 도구로 활용될 수 있다.
의사결정 트리에서 깊이별 정확도는 max_depth를 변경하면서 확인하였으며 트리의 깊이가 1일 때, 훈련 데이터와 테스트 데이터의 정확도가 각각 0.757, 0.737로 과소 적합으로 나타났다. 깊이가 증가할수록 훈련 데이터의 정확도는 올라갔으나 테스트 데이터의 정확도와 차이가 많은 과대 적합을 보인다.
인공지능의 기계학습 중 의사결정트리를 이용한 지도학습으로 식품의 군을 분류하였으며 선행 연구에서 나타난 95.37%의 정확도는 97.45%로 향상되었다. 이처럼 향상된 결과를 얻기 위한 시도로 기존 연구를 확장하여 웹 크롤링으로 수집한 데이터에서 형태소 분석을 사용하여 새로운 음식을 발굴하고 기존 식품 데이터로 학습한 의사결정 모델로 분류하였다.

후속연구

본 연구는 2010년에 최종 개정된 식품교환표를 사용하여 최근의 식품을 분류하기에는 한계가 있다. 향후에, 식품교환표가 최신 음식을 포함하는 방향으로 개정된다면 본 연구를 새로운 식품 분류 모델로 확장할 계획이다.
본 연구는 2010년에 최종 개정된 식품교환표를 사용하여 최근의 식품을 분류하기에는 한계가 있다. 향후에, 식품교환표가 최신 음식을 포함하는 방향으로 개정된다면 본 연구를 새로운 식품 분류 모델로 확장할 계획이다.

참고문헌 (16)

K. Lee, S. Kim, and S. Heo, "In-Depth Analysis of Food Consumption in Korea," Korea Rual Economic Institute Reports, pp. 1-254, Oct. 2016.
S. Hong, "R&D operating strategy for future food industry," Food science and industry, Vol. 53, No. 3, pp. 307-315, Sept. 2020.

원문보기 상세보기
J. Park, "Individualized Medical Nutrition Therapy for Diabetic Patients according to Diabetes Medication," Journal of Korean Diabetes, Vol. 23, No. 1, pp. 50-56, Jan. 2022. DOI: 10.4093/jkd.2022.23.1.50.

상세보기
National Nutrition Statistics 2020, Korea Health Industry Development Institute: http://www.khidi.or.kr
J. Yoon, and H. Jang, "Diet Quality and Food Patterns of Obese Adult Women from Low Income Classes," The Korean Society of Community Nutrition, Vol. 16, No. 6, pp. 706-715, Oct. 2011.

원문보기 상세보기
Y. S. Kim, "How to use the food table," Korean Institute of diabetes, Vol. 123, pp. 44-45, 2000.
D. L. Ju, H. C. Jang, Y. Y. Cho, J. W. Cho, H. S. Yoo, K. S. Choi, M. H. Woo, C. M. Sohn, Y. K. Park, and R. W. Choue, "Korean Food Exchange Lists for Diabetes: Revised 2010," Journal of Korean Diabetes, Vol. 12, No. 4, pp. 228-244, Dec. 2011. DOI:10.4093/jkd.2011.12.4.228

상세보기
J. M. Choi, J. D. Kim, C. Y. Park, and Y. S. Kim, "Automatic Word Spacing of Korean Using Syllable and Morpheme," Applied Sciences, Vol. 11, No. 2, pp. 1-10, Jan. 2021. DOI:10.3390/app11020626

상세보기
J. Kim, M. Lee, H. Jeon, K. Kim, J. Kim, N. Park, C. Jin, J. Kwon, and J. Kim, "Food Exchange Table Organization Model Based on Decision Tree Using Machine Learning," The KIPS Spring Conference 2020, Korean Information Processing Society, Vol. 27, No. 2, May 2020.
D. Benware, "Machine Learning Algorithms: How The Machine Learning Algorithms Work Behind The Scenes: Random Forest Algorithm Geeksforgeeks," Independently Published, 2021.
R. Rafael, C. Juana, M. Efren, and A. Marco, "Induction of decision trees as classification models through metaheuristics," Swarm and Evolutionary Computation, Vol. 69, No. 1, p. 101006, 2022. DOI:10.1016/j.swevo.2021.101006

상세보기
E. Park, and S. Cho, "KoNLPy: Korean natural language processing in Python," 26th Annual Conference on Human and Language Technology, pp. 133-136, Oct. 2014.
N. Kim, and S. Yoo, "Stock Information Retrieval and Analysis using Korean Natural Language Query," Journal of Korean Institute of Information Technology, Vol. 20, No. 9, pp. 13-18, 2022.

상세보기
S. Hong, "Diabetes Nutrition Management and Food Exchange Table," University of Ulsan Publisher, 2019.
Rural Development Administration, "10th revision Korean Food Composition Table," National Institute of Agricultural Sciences, 2022.
Decision Tree Libraries of Machine Learning: https://scikit-learn.org

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Classification Model of Food Groups in Food Exchange Table Using Decision Tree-based Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Classification Model of Food Groups in Food Exchange Table Using Decision Tree-based Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15) 모든 표/그림 보기

표/그림 (15) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper