肥胖风险的多类预测（随机森林）代码和运行结果pycharm

目录

 1.代码

2.运行结果说明

---

 

 1.代码

        提示：导入数据集时，需按照自己电脑的实际情况修改文件路径。

# 导入所需模块
import pandas as pd
import numpy as np
import requests
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, PowerTransformer
import math
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# 展开全部内容
pd.set_option('display.max_columns', 1000)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 1000)

# 导入数据集
train = pd.read_csv(r"E:\AwfulCollege\obesity\train.csv")
test = pd.read_csv(r"E:\AwfulCollege\obesity\test.csv")

# 查看训练集前五行样本
print(train.head())

# 查看数据集的基本信息
print(train.info())
print(test.info())

# 描述性统计分析
print(train.describe())
print(test.describe())

# 绘制环形图和条形图：查看某个属性的数据分布
def single_plot_distribution(column_name, dataframe):
    # 获取指定属性列的值计数
    value_counts = dataframe[column_name].value_counts()
    # 创建一个包含两个子图的图表对象fig，其中子图的布局是一行两列，每个子图的大小是15x5，且宽度比为1:1
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 5), gridspec_kw={'width_ratios': [1, 1]})
    # color_palette函数使用两种颜色代码创建了一个调色板，以便在数据可视化中使用
    palette = ["#00B1D2FF", "#FDDB27FF"]
    color_palette = sns.color_palette(palette)

    # 环形图
    pie_colors = palette[0:3]
    # 绘制饼图，设置了百分比显示格式、起始角度、百分比标签的距离和颜色
    ax1.pie(value_counts, autopct='%0.001f%%', startangle=90, pctdistance=0.85, colors=pie_colors, labels=None)
    # 创建了一个白色的圆形，将其添加到了饼图中心
    centre_circle = plt.Circle((0, 0), 0.70, fc='white')
    ax1.add_artist(centre_circle)
    # 设置了饼图的标题
    ax1.set_title(f'Distribution of {column_name}', fontsize=16)

    # 条形图
    # 绘制条形图，其中指定了x轴和y轴的数据，以及绘图的目标坐标轴ax2和颜色调色板palette
    sns.barplot(x=value_counts.index, y=value_counts.values, ax=ax2, palette=palette[0:3])
    ax2.set_title(f'Count of {column_name}', fontsize=16)
    ax2.set_xlabel(column_name, fontsize=14)
    ax2.set_ylabel('Count', fontsize=14)
    # 设置了x轴标签的旋转角度为45度
    ax2.tick_params(axis='x', rotation=45)

    # 自动调整图表的布局，使得图表中的元素能够更好地适应图像的大小，从而避免它们重叠或超出图像范围
    plt.tight_layout()
    # 显示绘图
    plt.show()

single_plot_distribution('NObeyesdad', train)  # 肥胖等级
single_plot_distribution('CALC', train)  # 饮酒频率 训练集
single_plot_distribution('CALC', test)  # 饮酒频率 测试集

# 绘制散点图：在某个目标属性当中，显示其它两个属性之间的关系
def advanced_scatter_plot(x_column, y_column, target_column, dataframe):
    palette = ["#00B1D2FF", "#FDDB27FF"]
    color_palette = sns.color_palette(palette)
    # 创建了一个15x6大小的画布
    plt.figure(figsize=(15, 6))
    # 绘制散点图，根据dataframe中的数据，在x_column和y_column上绘制散点，并根据target_column的取值对散点进行着色
    sns.scatterplot(x=x_column, y=y_column, hue=target_column, data=dataframe, palette=palette[0:3])
    plt.title(f'Scatter Plot of {x_column} vs {y_column} Hue by {target_column}', fontsize=16)
    plt.xlabel(x_column, fontsize=14)
    plt.ylabel(y_column, fontsize=14)
    # 为散点图添加图例，并为图例设置标题
    plt.legend(title=target_column)
    # 在图表上添加网格线，参数True表示显示网格线
    plt.grid(True)
    plt.show()

# 在男女当中，显示年龄与体重的关系
advanced_scatter_plot('Age', 'Weight', 'Gender', train)
# 在男女当中，显示年龄与身高的关系
advanced_scatter_plot('Age', 'Height', 'Gender', train)

# 特征编码
# 对肥胖等级属性进行标签编码
le = LabelEncoder()
train['NObeyesdad'] = le.fit_transform(train['NObeyesdad'])
# 对其余属性进行独热编码
train = pd.get_dummies(train)
test = pd.get_dummies(test)

# 获取标签与编码的映射
res = {}
for cl in le.classes_:
    res.update({cl: le.transform([cl])[0]})
for i in res:
    print(i, ':', res[i])

# 划分训练集和验证集
X = train.drop(['id', 'NObeyesdad'], axis=1)
y = train['NObeyesdad']
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立随机森林模型
# 随机森林由100棵决策树组成。random_state用于设置随机数生成器的种子。模型的构建过程都是可复现的
model_RF = RandomForestClassifier(n_estimators=100, random_state=42)
# 使用训练集数据X_train和对应的标签y_train来训练这个随机森林模型。通过训练，模型会学习数据中的模式及特征与标签之间的关系。
model_RF.fit(X_train, y_train)
# 调用训练过的随机森林模型对验证集X_val进行预测
val_preds_RF = model_RF.predict(X_val)
# crosstab函数创建了一个混淆矩阵，用于随机森林模型的验证集预测结果。rownames和colnames参数分别设置了混淆矩阵中行和列的标题
conf_matrix_RF = pd.crosstab(y_val, val_preds_RF, rownames=['Actual'], colnames=['Predicted'])
# 输出混淆矩阵
print(conf_matrix_RF)
# 用accuracy_score函数比较y_val（真实标签）和val_preds_RF（预测标签），算得的准确率存储在accuracy_RF变量中
accuracy_RF = accuracy_score(y_val, val_preds_RF)
# 输出准确率
print(f"Validation Accuracy: {accuracy_RF}")

# 检验模型
# 检查测试集中是否包含名为CALC_Always（独热编码）的列，并在存在的情况下删除该列
if 'CALC_Always' in test.columns:
    test.drop('CALC_Always', axis=1, inplace=True)
# 删除测试集的'id'列。使用之前训练的随机森林模型对处理过的测试集进行预测，预测结果存储在变量test_preds_RF中
test_preds_RF = model_RF.predict(test.drop('id', axis=1))

2.运行结果说明

        训练集前五行样本。

        训练集包含20758个样本，18个属性，没有缺失值。

        测试集包含13840个样本，17个属性（少1个类别属性：肥胖等级），没有缺失值。

        对年龄、身高、体重等数据类型为整形或浮点型的属性进行分析，指标有平均值、标准差、最值、中位数等。

        训练集的肥胖等级属性的数据分布情况如下，属性值有七个，数量由高到低依次为三级肥胖、二级肥胖、正常体重、一级肥胖、体重不足、二级超重和一级超重。

        饮酒频率属性比较特殊，在训练集中该属性有三个值，测试集中有四个。

        多出来的值为Always，它的占比不到0.01%，几乎可以忽略不记。因此检验模型时，可先将测试集中饮酒频率属性值为Always的样本删除。

        以年龄为横轴，体重为纵轴，描绘散点，根据性别的取值对散点进行着色。总体上看，男性的体重分布比女性相对集中。

       以年龄为横轴，身高为纵轴，描绘散点，根据性别的取值对散点进行着色。总体上看，大部分男性身高超过女性。

       对肥胖等级属性进行标签编码后，输出其对应关系。   

       划分出训练集和验证集，建立随机森林模型后，让模型拟合训练集的数据，再让训练过的模型对验证集进行预测。

        输出混淆矩阵，查看预测结果。

        比较验证集的真实标签和预测标签，算出模型准确率。