[Python] 인공지능 모델 만들기

안녕하세요! 졸업 작품 진행중이라 오랜만에 왔네요

 

캡스톤 디자인에서 제가 지금 맡고 있는 부분은 인공지능 모델을 적용시키는 작업입니다.

 

참고로 저희는 인공지능을 이용하여 영양제 사이트를 개발중에 있습니다.

 

인공지능은 대부분 django를 이용한 Python 코드로 되어있기 때문에

 

Python 사용이 불가피합니다.

 

1학년 때 배웠던 기억을 떠올리며

 

인공지능 모델을 임의로 만들어 봤습니다!

 

import pandas as pd

import numpy as np

import json

import sys

pill_data = pd.read_csv('Final_Pill_Standardization_Content_Dataset.csv', header=0, encoding='cp949')

pill_test_data = pd.read_csv('Final_Pill_Content_Dataset.csv', header=0, encoding='cp949')

food_data = pd.read_csv('food_dataset.csv', encoding='cp949')  

child_pill_index = [2,33,40,50,63,69,85,87,89,106,129,142,143,148,161,164,

166,168,182,188,191,200,210,225,232,235,237,238,245,246,258,265,266,

269,271,274,296,304,308,315,343,348,350,353,376,383,386,394,395,397,

413,423,424,428,430,435,440,455,457,484,488,493,502,536,539,544,545,

594,604,614,617,621,624,639,647,648,649,665,678,679,684,701,712,725,

731,747,749,750,791,804,811,821,849,850,851,868,879,888,897,901,912,

921,933,937,946,962,974,999,1026,1030,1039,1040,1044,1061,1079,1086,

1095,1106,1107,1113,1118,1122,1126,1140,1144,1147,1173,1174,1176,1192,

1193,1195,1204,1212,1237,1240,1242,1245,1251,1258,1260,1266,1278,1281,

1286]

# 제외할 영양제 인덱스

except_list_index = [6,15,35,41,67,77,79,80,89,90,109,115,121,126,142,164,

202,213,237,255,259,276,277,278,285,290,298,319,324,333,336,337,339,341,

342,345,346,349,355,366,391,403,411,421,443,448,475,484,491,497,536,600,

608,627,629,632,634,636,644,647,648,649,651,655,656,660,668,689,690,701,

723,728,745,746,747,753,755,756,760,782,789,792,828,841,852,857,862,868,

869,874,879,885,886,904,916,935,946,968,974,1044,1061,1072,1073,1106,1109,

1113,1114,1115,1134,1147,1148,1153,1164,1169,1186,1188,1209,1226,1230,1231,

1240,1254,1263,1264,1266,1271,1286,1291]

# 임의로 정한 권장 섭취량 정보

recommended_intake = {

    '1인분칼로리(kcal)': 300.0,

    '탄수화물(g)': 80,

    '단백질(g)': 5,

    '지방(g)': 1.0,

    '콜레스트롤(g)': 0.0,

    '식이섬유(g)': 0.0,

    '나트륨(g)': 230.0,

}

sample_data = {

    'height': 175,  # 키 (cm)

    'weight': 70,   # 몸무게 (kg)

    'age': 30       # 나이

}

input_data = json.loads(sys.argv[1])

def bmicalc(x):

    if x < 18.5:

        y = "저체중"

    elif 18.5 <= x < 23:

        y = "정상 체중"

    elif 23 <= x < 25:

        y = "과체중"

    elif 25 <= x < 30:

        y = "경도 비만"

    else:

        y = "고도 비만"

       

    return y

 

 # 입력한 음식명에 해당하는 영양소 정보 가져오기

def get_nutrient_info(food_name):

    nutrient_info = food_data[food_data['음식명'] == food_name].iloc[:, 1:].squeeze()

    return nutrient_info.to_dict() if not nutrient_info.empty else None

def find_deficient_nutrients(diet, recommended_intake):

    deficient_nutrients = {}

    for nutrient, intake in recommended_intake.items():

        if nutrient in diet:

            diff = intake - diet[nutrient]

            if diff > 0:

                deficient_nutrients[nutrient] = diff

    return deficient_nutrients

# 거리 계산 메소드

def distance(x, y):

    x_values = x.values  # Pandas Series를 NumPy 배열로 변환

    y_values = np.array(list(y.values()) + [0.0] * (len(x_values) - len(y)))  # y_values의 길이를 x_values와 동일하게 만듦

    a = np.linalg.norm(x_values - y_values)  # NumPy 배열 간의 차이 계산

    return a

# BMI 계산 메소드

def calc(vJson):

    # 키, 몸무게, 나이

    height = vJson['height']

    height = int(height) / 100    

    weight = vJson['weight']  

    weight = int(weight)

    age = vJson['age']  

    age = int(age)

   

    # BMI 계산

    BMI = weight / (height * height)

    bmi_string = bmicalc(BMI)

   

    # BMI 정보 추가

    vJson['BMI'] = {

        'value': round(BMI, 2),

        'status': bmi_string

    }

   

    return vJson

#임의로 정한 나이

age = 25

# 영양제 추천 함수

def recommend_pills(diet, recommended_intake):

    difference = {}

    for nutrient, intake in recommended_intake.items():

        difference[nutrient] = diet.get(nutrient, 0) - intake

   

    pill_distance_list = []

    for i in range(len(pill_data)):

        pill_distance_list.append(distance(pill_data.iloc[i], difference))  # difference는 이미 사전 형태이므로 추가 변환 없이 사용

   

    recommendation = {}

    # 20세 이상인 경우 어린이용 영양제와 제외할 영양제를 필터링하여 추천

    if age > 20:

        for idx, distance_val in sorted(enumerate(pill_distance_list), key=lambda x: x[1])[:3]:

            if idx not in child_pill_index and idx not in except_list_index:

                recommendation[f'pill_{idx}'] = distance_val

    # 20세 미만인 경우 어린이용 영양제만 추천

    else:

        for idx, distance_val in sorted(enumerate(pill_distance_list), key=lambda x: x[1])[:3]:

            if idx in child_pill_index and idx not in except_list_index:

                recommendation[f'pill_{idx}'] = distance_val

   

    return recommendation

# 예시로 사용할 섭취 음식

food_name = '가래떡(떡국용)'

# 해당 음식의 영양소 정보 가져오기

intake_amount = get_nutrient_info(food_name)

print(f"\n{food_name}의 영양소 함량: {intake_amount}")

# 부족한 영양소 찾기

deficient_nutrients = find_deficient_nutrients(intake_amount, recommended_intake)

# 결과 출력

if deficient_nutrients:

    print("\n부족한 영양소:")

    for nutrient, amount in deficient_nutrients.items():

        print(f"\n{nutrient}")

else:

    print("섭취한 영양소가 모두 권장량 이상입니다.")

# 영양제 추천 실행

recommendation = recommend_pills(intake_amount, recommended_intake)

output = {

    'input_data': input_data,

    'recommendation': recommendation

}

print(json.dumps(output))

print(f"\n추천 영양제: {recommendation}")

 

저는 인공지능 관련 공부를 하지 못했기 때문에

 

Pillgood이라는 프로젝트를 진행했던 팀의

 

오픈소스를 참고하여 만들었습니다.

 

2022-1-Capstone-Design/PillGood: 💊 내 손 안의 헬스케어 전문 서비스 PillGood, 헬스케어를 위한 영양제 추천 분석 프로젝트 (github.com)

GitHub - 2022-1-Capstone-Design/PillGood: 💊 내 손 안의 헬스케어 전문 서비스 PillGood, 헬스케어를 위한 영

 

기존 PillGood의 모델은  세부 카테고리, 공통 카테고리에 해당하는 설문을 진행하고 

 

사용자의 체형 정보를 입력 받아서 유클리디안 거리 공식을 이용해서 영양제를 추천해주는 방식입니다.

 

저는 영양제를 추천해주는 거리 로직만 가져와서 사용자에게 섭취량을 입력받고

 

권장 섭취량을 구해서 영양제를 추천해 주는 모델로 변형시켰습니다.

 

인풋은 아직 서버와 클라이언트가 완성되지 않았기 때문에 하드코딩하였습니다.

 

 

 

모델에 대해 간략히 설명해보겠습니다.

recommended_intake = {

    '1인분칼로리(kcal)': 300.0,

    '탄수화물(g)': 80,

    '단백질(g)': 5,

    '지방(g)': 1.0,

    '콜레스트롤(g)': 0.0,

    '식이섬유(g)': 0.0,

    '나트륨(g)': 230.0,

}

 

먼저 권장 섭취량을 데이터셋에서 가져옵니다. (지금은 하드코딩)

 

sample_data = {

    'height': 175,  # 키 (cm)

    'weight': 70,   # 몸무게 (kg)

    'age': 30       # 나이

}

 

사용자가 키, 몸무게, 나이, 식단을 입력합니다.

 

def get_nutrient_info(food_name):

    nutrient_info = food_data[food_data['음식명'] == food_name].iloc[:, 1:].squeeze()

    return nutrient_info.to_dict() if not nutrient_info.empty else None

 

입력받은 식단을 식단별 영양소 함량 데이터셋에서 찾은 뒤 권장 섭취량과 비교하여 필요섭취량을 구합니다.

 

def recommend_pills(diet, recommended_intake):

    difference = {}

    for nutrient, intake in recommended_intake.items():

        difference[nutrient] = diet.get(nutrient, 0) - intake

   

    pill_distance_list = []

    for i in range(len(pill_data)):

        pill_distance_list.append(distance(pill_data.iloc[i], difference))  # difference는 이미 사전 형태이므로 추가 변환 없이 사용

   

    recommendation = {}

    # 20세 이상인 경우 어린이용 영양제와 제외할 영양제를 필터링하여 추천

    if age > 20:

        for idx, distance_val in sorted(enumerate(pill_distance_list), key=lambda x: x[1])[:3]:

            if idx not in child_pill_index and idx not in except_list_index:

                recommendation[f'pill_{idx}'] = distance_val

    # 20세 미만인 경우 어린이용 영양제만 추천

    else:

        for idx, distance_val in sorted(enumerate(pill_distance_list), key=lambda x: x[1])[:3]:

            if idx in child_pill_index and idx not in except_list_index:

                recommendation[f'pill_{idx}'] = distance_val

   

    return recommendation

 

영양제의 영양소 함량 거리와

 

식단의 필요섭취량의 거리를 비교하여 영양제를 추천해줍니다.

 

여기서는 성인과 아동 영양제를 구분했는데 추후 바뀔 예정입니다.

 

모델이 추천을 잘 하는지 확인하기 위해 출력으로 확인해 본 모습입니다.

 

식단과 비교하여 부족한 영양소를 구하고

 

영양소 거리가 가까운 영양제 3개를 추천해 줍니다.

 

모델에 사용할 데이터셋을 전처리 한뒤

 

로직을 수정하여 업데이트가 될 예정입니다.

 

 

 

백엔드 분이 데이터를 가공할 동안

 

저는 다음 시간에 인공지능을 서버에 적용시켜 보겠습니다!

 

읽어주셔서 감사합니다!