- 1使用Verilog实现CRC-8的串行计算_crc8 verilog
- 2大数据、人工智能、云计算、物联网、区块链序言【大数据导论】_大数据、云计算、物联网相关概念普及
- 3spring.HttpMessageNotReadableException: JSON parse error_spring json parse error
- 4springboot整合redisson实战（一）整合 redisson-spring-boot-starter
- 5设置了uni.chooseLocation，小程序中打不开_uni.chooselocation点击之后没反应
- 6头歌实验代码_表格样式头歌代码
- 7mysql的clob转字符串_Oracle中clob与varchar字段互转
- 8日常学习记录——使用Visio2019绘制思维导图_visio画大括号思维导图
- 9【数据结构】：冒泡排序（c++实现）_c++冒泡排序统计轮数
- 10chatgpt赋能python：Python选择界面的SEO介绍
Python预测体重变化：决策树、tf神经网络、随机森林、梯度提升树、线性回归可视化分析吸烟与健康调查数据...
赞
踩
全文链接：https://tecdat.cn/?p=36648
在当今的数据驱动时代，机器学习算法已成为解析复杂数据集、揭示隐藏模式及预测未来趋势的重要工具（点击文末“阅读原文”获取完整代码数据）。
相关视频
特别是在医疗健康领域，这些算法的应用极大地提升了我们对疾病预防、诊断及治疗方案的理解与制定能力。本文旨在通过Python中的决策树、神经网络及随机森林等经典机器学习算法，对吸烟、体重变化与健康数据进行可视化分析，以期发现它们之间的潜在关系，为公共卫生政策制定、个性化健康管理提供科学依据。
吸烟与体重变化作为影响人类健康的重要因素，长期以来一直受到医学界和社会各界的广泛关注。吸烟不仅与多种癌症、心血管疾病等直接相关，还可能通过影响食欲、代谢率等机制间接导致体重变化。而体重的显著变化，无论是增加还是减少，都可能对个体的整体健康状况产生深远影响。因此，深入探讨这三者之间的关系，对于制定有效的健康干预措施具有重要意义。
数据
调查旨在研究第一次全国健康与营养调查评估的临床、营养和行为因素与随后的发病率、死亡率和住院率之间的关系。
第一次全国健康与营养调查所评估的临床、营养和行为因素与随后的发病率、死亡率和医院使用率之间的关系，以及风险因素、功能限制和入院治疗的变化。
变量的详细解释：
age: 年龄，表示被调查者在进行调查时的年龄。年龄是评估健康状况和预测未来健康风险的重要因素。
sex: 性别，表示为男性或女性。性别在健康研究中是一个重要的变量，因为男性和女性在健康风险、疾病表现和响应治疗方面可能存在差异。
race: 种族，指的是被调查者的种族背景。种族可能会影响健康状况、健康行为和获取医疗资源的途径。然而，需要注意的是，种族是一个复杂且敏感的概念，其定义和分类可能因文化和历史背景而异。
针对调查的数据集进行可视化分析和临床分析，结合机器学习、深度学习技术，可以深入探索健康与营养因素、行为模式与后续健康状况之间的关系。
1. 基本统计与可视化分析
首先，我将加载并查看提供的数据集，以便更好地理解其结构和内容。这将帮助我进行后续的数据分析和可视化。
数据集已成功加载。
a. 人口统计学特征分析
年龄与性别分布：绘制年龄-性别分布图，了解样本的基本构成。
种族与教育水平：分析不同种族间的教育水平差异，探讨其对健康的影响。
- # 绘制年龄与性别分布图
- plt.figure(figsize=(12, 6))
- sns.histplot(data=data, x='age', hue='sex', multiple='stack', stat='count', common_norm=False, palette=colors[:2])
- plt.title('年龄与性别分布图')
- plt.xlabel('年龄')
- plt.ylabel('人数')
- plt.legend(title='性别', labels=['女性', '男性'])
- plt.show()
接下来，我将分析不同种族间的教育水平差异。
b. 行为习惯分析
吸烟习惯：使用条形图或饼图展示吸烟者与非吸烟者的比例，以及吸烟强度（
smokeintensity）和吸烟年数（smokeyrs）的分布。体育活动：分析体育锻炼（
exercise）和日常活动水平（active）的分布，探讨其与健康的关系。
接下来，我将分析吸烟习惯，包括吸烟者与非吸烟者的比例，以及吸烟强度和吸烟年数的分布。
吸烟习惯的分析结果如下：
吸烟者与非吸烟者的比例：根据数据，有1566位吸烟者，没有非吸烟者。这表明在这个样本中，所有人都有吸烟习惯。
吸烟强度分布：由于样本中所有人都有吸烟习惯，因此吸烟强度的分布图显示了吸烟强度的分布情况。
吸烟年数分布：同样，由于样本中所有人都有吸烟习惯，吸烟年数的分布图也显示了吸烟年数的分布情况。
接下来，我将分析体育锻炼和日常活动水平的分布。
体育锻炼分布图显示了样本中不同体育锻炼水平的分布情况。
日常活动水平分布图展示了样本中不同日常活动水平的分布情况。
c. 体重变化与健康
体重变化：利用折线图或散点图展示10年（
wt82_71）的体重变化，分析体重变化与后续健康问题的关联。
最后，我将分析体重变化。
plt.show()
这个图表展示了样本中个体在体重变化情况。每个点代表一个个体，横坐标表示71年的体重，纵坐标表示82年的体重。
点击标题查阅往期内容
Python深度学习TensorFlow Keras心脏病预测神经网络模型评估损失曲线、混淆矩阵可视化
左右滑动查看更多
01
02
03
04
随机森林体重预测模型
首先，我将使用随机森林模型，将年龄（age）、性别（sex）、种族（race）、教育水平（education.code）、体育锻炼（exercise）、日常活动水平（active）作为特征变量，体重（wt71）作为目标变量，来构建体重变化预测模型。
接下来，我将对结果进行可视化。
- # 构建随机森林模型
- rf_model = RandomForestRegressor(random_state=0)
- rf_model.fit(X_train, y_train)
-
-
- mse, r2
根据随机森林模型的分析，我们得到了以下结果：
均方误差（Mean Squared Error, MSE） ：约 259.78。
决定系数（R-squared, R²） ：约 -0.024。
从图中可以看出，预测的体重与真实体重之间的关系。理想情况下，所有点应该靠近黑色虚线，这表示预测值与真实值非常接近。
根据随机森林模型的特征重要性分析，我们得到了以下结果：
年龄（
age） ：重要性最高，约为 0.423。性别（
sex） ：重要性为 0.185。种族（
race） ：重要性为 0.050。教育水平（
education.code） ：重要性为 0.140。体育锻炼（
exercise） ：重要性为 0.101。日常活动水平（
active） ：重要性为 0.102。
从这些结果中可以看出，年龄是影响体重变化的最重要因素，其次是性别和教育水平。这些信息对于医生在评估患者的体重变化风险时可能非常有用。
梯度提升树模型
根据梯度提升树模型的分析，我们得到了以下结果：
均方误差（Mean Squared Error, MSE） ：约 208.04。
决定系数（R-squared, R²） ：约 0.180。
从图中可以看出，预测的体重与真实体重之间的关系。理想情况下，所有点应该靠近黑色虚线，这表示预测值与真实值非常接近。
决策树
根据决策树模型的分析，我们得到了以下结果：
均方误差（Mean Squared Error, MSE） ：约 345.14。
决定系数（R-squared, R²） ：约 -0.361。
从图中可以看出，预测的体重与真实体重之间的关系。理想情况下，所有点应该靠近黑色虚线，这表示预测值与真实值非常接近。
决策树模型的特征重要性如下：
年龄（
age） ：重要性为 0.439。性别（
sex） ：重要性为 0.200。种族（
race） ：重要性为 0.045。教育水平（
education.code） ：重要性为 0.117。体育锻炼（
exercise） ：重要性为 0.106。日常活动水平（
active） ：重要性为 0.093。
我已经将决策树模型进行了可视化。从图中可以看到，树的各个节点显示了用于分割数据的特征和阈值，以及每个叶子节点的预测结果。
对决策树模型进行剪枝，以提高其泛化能力。剪枝可以通过设置决策树的最大深度或最小样本分割来实现。我将尝试使用不同的剪枝参数来优化模型，并可视化剪枝后的决策树。
- # 使用网格搜索进行参数调优
- grid_search = GridSearchCV(DecisionTreeRegressor(random_state=0), param_grid, cv=5, scoring='neg_mean_squared_error')
- grid_search.fit(X_train, y_train)
通过对决策树模型进行剪枝，我们得到了以下最佳参数：
最大深度（
max_depth） ：10最小样本分割（
min_samples_split） ：10最小样本叶片（
min_samples_leaf） ：4
使用这些参数，我构建了剪枝后的决策树模型，并进行了可视化。从剪枝后的决策树中可以看出，树的复杂度有所降低，这有助于提高模型的泛化能力，减少过拟合的风险。
这是根据提供的数据构建的体重变化预测的决策树模型。该模型考虑了年龄、性别、种族、教育程度、锻炼习惯、活跃程度和体重等因素。
决策树的每个节点显示了用于分割数据的特征和阈值。叶子节点表示预测的体重变化值。
对决策树进行进一步的剪枝，并输出一些有价值的规则。这将涉及调整决策树的参数，如最大深度或最小样本分割数，以简化模型并提取关键规则。
以下是剪枝后的决策树模型中的一些关键规则：
如果年龄小于或等于56.5岁：
预测的体重变化为-0.85磅
预测的体重变化为2.66磅
如果体重小于或等于122.07磅：
如果体重大于122.07磅：
预测的体重变化为4.26磅
预测的体重变化为-9.00磅
如果年龄小于或等于43.5岁：
如果体重小于或等于88.79磅：
如果体重大于88.79磅：
如果体重小于或等于92.36磅：
预测的体重变化为-6.40磅
预测的体重变化为0.14磅
如果年龄小于或等于67.5岁：
如果年龄大于67.5岁：
如果性别为女性（sex <= 0.5）：
预测的体重变化为-8.83磅
预测的体重变化为-21.28磅
这些规则提供了基于年龄、性别和体重来预测体重变化的指导。
线性回归
数据集已成功加载。接下来，我将进行以下步骤来构建和分析线性回归模型：
数据预处理：包括处理缺失值、编码分类变量（如有必要）以及标准化数值变量。
构建神经网络模型：使用年龄（age）、性别（sex）、种族（race）、教育程度（education.code）、锻炼（exercise）、活跃度（active）和体重作为输入特征，体重变化作为目标变量。
训练模型：使用数据集的一部分进行训练。
评估模型：使用数据集的另一部分进行测试，并评估模型的性能。
可视化结果：展示模型的预测结果和实际值，以及误差分布。
现在，我将开始进行数据预处理。
数据预处理完成，我们有1252个样本用于训练和314个样本用于测试。每个样本有7个特征。
线性回归模型的训练和测试均方误差（MSE）分别为58.62和49.91。这提供了模型性能的一个初步指标。
接下来，我将进行结果的可视化，包括模型的预测结果和误差分布。
分析结果
实际值 vs 预测值图：
在“训练数据：实际值 vs 预测值”图中，点大致围绕黑色虚线（即y=x线）分布，表明模型的预测与实际值大致相符。
在“测试数据：实际值 vs 预测值”图中，点也大致围绕黑色虚线分布，表明模型在未见过的数据上的表现也相对准确。
误差分布图：
误差分布图显示了训练误差和测试误差的分布情况。
训练误差和测试误差都呈现出近似正态分布的形态，这通常是一个好的迹象，表明模型没有系统性的偏差。
模型参数
由于我们使用的是线性回归模型，模型参数包括权重（coefficients）和截距（intercept）。下面列出了这些参数：
权重（Coefficients） ：这些值表示每个特征对目标变量（体重变化）的影响。
截距（Intercept） ：当所有特征值都为0时，模型预测的目标变量值。
让我们查看这些参数的具体值。
模型参数解释
权重（Coefficients） ：
年龄: -1.96 — 年龄每增加一岁，预测的体重变化减少约1.96单位。
性别: -1.00 — 与女性相比，男性的预测体重变化减少约1.00单位。
种族: 0.08 — 某些种族可能与体重变化的小幅增加相关。
教育程度: 0.04 — 更高的教育程度可能与体重变化的小幅增加相关。
锻炼: 0.27 — 更多的锻炼可能与体重变化的增加相关。
活跃度: -0.30 — 更高的活跃度可能与体重变化的减少相关。
体重: -1.34 — 更高的初始体重可能与体重变化的减少相关。
截距（Intercept） : 2.56 — 当所有特征值都为0时，模型预测的体重变化为2.56单位。
tensorflow神经网络
构建了一个简单的神经网络模型，并使用Adam优化器和mean_squared_error作为损失函数进行编译。然后，我们使用model.fit方法训练模型，并将训练过程中的历史记录存储在history对象中。
在模型评估之后，我们使用matplotlib绘制了训练和验证损失随训练周期（epoch）变化的曲线图。这有助于我们理解模型在训练过程中的表现，以及是否存在过拟合或欠拟合的情况。
- # 评估模型
- loss = model.evaluate(X_test, y_test, verbose=0)
- print(f"Test Loss: {loss}")
资料获取
在公众号后台回复“领资料”，可免费获取数据分析、机器学习、深度学习等学习资料。
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《Python预测体重变化：决策树、tf神经网络、随机森林、梯度提升树、线性回归可视化分析吸烟与健康调查数据》。
点击标题查阅往期内容
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
