Machine Learning: Analisi Predittiva e Classificazione sullo stato di forma

La valutazione dello stato di forma fisica rappresenta un indicatore fondamentale della salute e del benessere di un individuo. Mentre tradizionalmente tale valutazione richiede esami medici specifici, le evoluzioni nell'ambito dell'Intelligenza Artificiale offrono nuovi strumenti predittivi veloci e accessibili. Questo progetto di tesi utilizza l'applicazione di algoritmi di Machine Learning per classificare lo stato di forma di una persona (Fit vs Not Fit) a partire da dati comportamentali e biometrici facilmente misurabili, come età, peso, indice di attività fisica, ore di sonno e qualità dell'alimentazione. Il lavoro si sviluppa in due fasi principali. La prima è dedicata all'Analisi Esplorativa dei Dati (EDA) su un dataset di 2000 individui, mirata a pulire i dati e studiare le correlazioni tra lo stile di vita e lo stato di forma. È emerso chiaramente come l'indice di attività fisica e la qualità nutrizionale siano i fattori maggiormente incidenti sul benessere fisico. Nella seconda fase, sono stati implementati, ottimizzati e confrontati tre modelli di classificazione supervisionata: Logistic Regression, Support Vector Machine (SVM) e Random Forest. Attraverso un processo di hyperparameter tuning basato su validazione incrociata, la Logistic Regression si è dimostrata il modello più bilanciato (con un'accuratezza dell'80,31%), mentre la SVM ha registrato la migliore capacità di individuare i soggetti realmente in forma (Recall del 66,99%). Infine, per garantire la trasparenza decisionale dei modelli, è stata applicata la tecnica di Explainable AI LIME, che ha permesso di interpretare le singole predizioni e di comprendere l'impatto specifico di ogni variabile. I risultati dimostrano che il Machine Learning può affiancare efficacemente i metodi di monitoraggio tradizionali, aprendo la strada a future integrazioni in applicazioni mobili o dispositivi indossabili. ​