7、机器学习在肥胖预测与通胀驱动因素分析中的应用

机器学习在肥胖预测与通胀驱动因素分析中的应用

肥胖预测研究

在健康领域，肥胖问题日益受到关注，尤其是针对特定人群的肥胖预测研究具有重要意义。本次研究聚焦于农村女性肥胖问题，运用机器学习算法进行深入分析。

评估指标与数据处理

在机器学习模型评估中，有几个关键指标用于衡量模型性能：
- 分类准确率 ：用于衡量正确分类的案例比例。
- 灵敏度 ：衡量被分类为阳性的阳性案例的比例。
- 特异度 ：衡量被分类为阴性的阴性案例的比例。
- Cohen’s kappa统计量 ：用于处理多类和不平衡类问题，衡量预测和实际分类之间的一致性，值范围在小于等于1之间，不同取值范围有不同的一致性描述，如<0为“无一致性”，0 - 0.20为“轻微”等。

研究中，将70%的个体样本作为训练数据集，剩余30%作为测试数据集进行验证，所有模型基于R中的caret包进行十折交叉验证训练。

特征选择与模型比较

通过Boruta算法进行特征选择，从20个属性中选出5个与预测肥胖相关的变量，分别是年龄（Age）、教育水平（EducLevel）、地理位置（Location）、水源（WaterSource）和卫生设施（ToiletFacility）。

使用这些选定变量构建了六个机器学习模型，比较它们的性能，结果如下表所示：
| 模型 | 准确率(%) | 灵敏度(%) | 特异度(%) | Kappa | 平衡准确率(%) | <