O projeto tem o objetivo de verificar se o uso da estimativa humana como atributo pode reduzir as taxas de erro melhorar as estimativas dos algoritmos de aprendizado de máquina. Foi testado os algoritmos K-Nearest Neighbors, Random Forest, Multi-Layer Perceptron nos dados de almoço do campus Umuarama da Universidade Federal de Uberlândia (UFU). Ao comparar os modelos de aprendizado de máquina que levaram em consideração as estimativas humanas como fator, foi possível reduzir o erro em 14,21% no algoritmo K-Nearest Neighbors e 10,38% no algoritmo Random Forest. Porém, o algoritmo Multi-Layer Perceptron, que apresentou a menor taxa de erro, não apresentou diminuição do erro no uso do atributo de estimativa da nutricionista, apresentando em um aumento de 8,17% na taxa de erro. Conclui-se que estimativas humanas podem ser úteis para melhorar a performance dos modelos e tal atributo deve ser explorado em trabalhos futuros.