R语言学习#1-应用线性回归模型预测医疗费用

饶晓黎

已于 2023-09-17 18:25:23 修改

阅读量1.2k

点赞数 4

文章标签： r语言学习机器学习线性回归

于 2023-09-17 00:12:29 首次发布

本文链接：https://blog.csdn.net/Xiaoli_Rao/article/details/132920852

版权

应用线性回归模型预测医疗费用

实验目的

本次实验旨验证和实践。

1、在通过ppt所示案例进行数据分析，真正目的在于让学生上手R语言，学会使用R studio，以及了解R语言数据分析相关命令和方法。

2、根据所给数据，进行线性回归模型的建立与分析结果。

实验要求

利用已发生的患者的历史数据1000多条样本，包括年龄、性别、BMI（身高/体重的平方，18-24）、孩子数、吸烟者、区域、花费的医疗费用。建立线性回归模型；

对于新样本，根据准备投保的人的特征，预测输出保费的基础定价。

实验原理

基于R语言进行数据预处理、构建回归模型、评估模型以及优化模型。学得一个线性模型以尽可能准确地预测实值输出标记，最后，可以通过实验估计学习算法的泛化性能。

实验仪器、设备、材料或软件等

1、Windows环境

2、R 3.6.3 及以上版本安装

3、Rstudio 2022.07.0-548及以上版本安装

实验内容及步骤

数据预处理

a、查看数据表字段定义

使用insurance <- read.csv("insurance.csv",stringsAsFactors = TRUE)命令载入数据，可见insurance.csv文件中包含1338条数据以及7个相关字段。

b、查看样本结论标签的分布

使用summary进行数据分析，可见insurance.csv文件中charges字段相关数据的计算结果，其中可见最小值为1122，最大值为63770，中位数为9382，平均数为13270。

因为平均数 > 中位数，所以可知数据右偏。

c、查看样本结论标签直方图分布

运行代码hist(insurance$charges)可见insurance表中的医疗费用结果直方图如上。可以看到其中开销主要集中在10000以下，也有少数突破60000。因直方图并不能直观地表现出数据区间的频次，因此再绘制区间的频次饼图。

基于原数据insurance，创建新的字段，将charges划分为7个区间：

insurance$charge_interval <- cut(insurance$charges,

breaks = c(0, 10000, 20000, 30000, 40000, 50000, 60000, Inf),

labels = c("0-10000", "10001-20000", "20001-30000", "30001-40000", "40001-50000", "50001-60000", "60000+"),

include.lowest = TRUE)

进而统计每个区间的数量：

charge_counts <- table(insurance$charge_interval)

创建数据框，用于制作饼图：

charge_data <- data.frame(charge_interval = names(charge_counts),

count = as.numeric(charge_counts))

可见数据框中有费用区间以及出现频次。

通过pie绘制饼图。

pie(charge_data$count, labels = charge_data$charge_interval, main = "Charges Distribution")

通过饼图可以观测到根据医疗费用区间划分的频次。可见大部分医疗费用开销处在“0-10000”，依次是“10001-20000”，“20001-30000”、“30001-40000”、“40001-50000”这三个区间频次较近，而处于“50001-60000”及“60000+”两个区间的频次较小。

d、查看区域分布

使用teble标签统计区域分布个数，可见图如上，数据分布均匀。

e、查看特征的相关性及相关性图表示

首先使用cor标签查看数据间的相关性：

> cor(insurance[c("age","bmi","children","charges")])

可见除与自身相关性最强外，与之相对的就是孩子数与年龄的相关性居其后，但是总的分析其中所存在的相关性是及其小的，可见指标之间的相关性并不强。

f、更详细的相关图

利用pairs函数绘制矩阵散点图像。首先确保有两个packages：tmvnsim、psych；

依次使用> install.packages("tmvnsim")； > install.packages("psych")下载包；

再使用> library(psych) 加载包“psych”；

绘制矩阵散点图象：> pairs.panels(insurance[c("age","bmi","children","charges")])

得到图像如下。

可以从图中看出指标之间的相关性，例如age与bmi的散点图（第二排第一个图），从中可以看出指标间的相关性系数，例如在数据集insurance中，指标的age与charges的相关系数为0.30.

实验原始数据

此次实验包含两个csv文件：

ins_test.csv：用于测试模型

age	sex	bmi	children	smoker	region	age2	bmi30
30	male	31	1	yes	southwest	900	1
20	female	25	0	no	northeast	400	0

insurance.csv：已发生的患者的历史数据1338条数据；其中包含年龄、性别、BMI、孩子数、是否抽烟、地区和医疗费用七个字段。

age	sex	bmi	children	smoker	region	charges
19	female	27.9	0	yes	southwest	16884.92
18	male	33.77	1	no	southeast	1725.552
…	…	…	…	…	…	…
21	female	25.8	0	no	southwest	2007.945
61	female	29.07	0	yes	northwest	29141.36

实验数据处理和结果分析

构建回归模型

a、构建模型

> ins_model <- lm(charges ~ age + children + bmi + sex + smoker + region, data = insurance)

b、查看模型

> ins_model

由图可知线性回归模型用来预测医疗费用charges。模型中包括age（年龄）、children（子女数）、bmi（体质指数）、sex（性别）、smoker（是否吸烟）和region（地区）这些变量作为解释变量。模型的系数表示每个解释变量的影响程度。Intercept是模型的截距，表示当其他变量为0时的保险费用的基准值。age、children、bmi、sexmale（性别为男性）、smokeryes（吸烟者）和reginonwest（地区为西北部）、regionsoutheast（地区为东南部）、regionsouthwest（地区为西南部）分别表示对保险费用的影响。

例如，age的系数为256.9，意味着每增加一岁，保险费用将增加256.9美元。sexmale的系数为-131.3，意味着男性比女性平均要少支付131.3美元的保险费用。smokeryes的系数为23848.5，表示吸烟者相比非吸烟者平均要多支付23848.5美元的保险费用。地区变量的系数是相对于参考地区（regionnortheast）的影响。例如，regionnorthwest的系数为-353.0，表示相对于regionnortheast，西北部地区的保险费用平均要减少353美元。同理，regionsoutheast和regionsouthwest的系数分别为-1035.0和-960.1。

3、评估模型

> summary(ins_model)