使用机器学习进行医疗保险价格预测 -- 机器学习项目基础篇（15）

你一定听说过一些关于医疗保险的广告，承诺在任何医疗紧急情况下提供经济帮助。一个谁购买这种类型的保险必须每月支付保费，这个保费金额根据各种因素变化很大。

在本文中，我们将尝试从一个数据集中提取一些见解，该数据集包含有关购买医疗保险的人的背景，这些人收取的保费金额的详细信息，以及使用Python中的机器学习。

导入库和数据集

Python库使我们能够非常容易地处理数据，并通过一行代码执行典型和复杂的任务。

• Pandas -此库有助于以2D阵列格式加载数据帧，并具有多种功能，可一次性执行分析任务。
• Numpy - Numpy数组非常快，可以在很短的时间内执行大型计算。
• Matplotlib/Seaborn -这个库用于绘制可视化。
• Sklearn -该模块包含多个库，这些库具有预实现的功能，可以执行从数据预处理到模型开发和评估的任务。
• XGBoost -这包含eXtreme Gradient Boosting机器学习算法，这是帮助我们实现高精度预测的算法之一。

import numpy as np
import pandas as pd
import seaborn as sb
import matplotlib.pyplot as plt
  
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.metrics import mean_absolute_percentage_error as mape
from sklearn.linear_model import LinearRegression, Lasso, Ridge
from xgboost import XGBRegressor
from sklearn.ensemble import RandomForestRegressor, AdaBoostRegressor
  
import warnings
warnings.filterwarnings('ignore')

现在，让我们使用panda的数据框架来加载数据集，并查看它的前五行。

df = pd.read_csv('medical_insurance.csv')
df.head()

df.shape

"""
(1338, 7)
"""

该数据集包含1338个数据点，具有6个独立特征和1个目标特征。

df.info()

从上面我们可以看到，数据集包含2列浮点值，3列分类值，其余包含整数值。

df.describe()

我们可以查看数据集中可用的连续数据的描述性统计度量。

探索性数据分析

EDA是一种使用可视化技术分析数据的方法。它用于发现趋势和模式，或在统计摘要和图形表示的帮助下检查假设。在执行该数据集的EDA时，我们将尝试查看独立特征之间的关系，即一个特征如何影响另一个特征。

df.isnull().sum()

因此，在这里我们可以得出结论，在给定的数据集中没有空值。

features = ['sex', 'smoker', 'region']
  
plt.subplots(figsize=(20, 10))