Python和R开发SMOTE过采样随机森林RF与粒子群算法PSO融合模型实现肥胖等级预测|附AI智能体、代码和数据

全文链接：https://tecdat.cn/?p=46494
原文出处：拓端数据部落公众号
 

封面：

​

关于分析师

在此对Di Wu对本文所作的贡献表示诚挚感谢，他完成了统计学专业的本科学位，专注数据采集与清理、数据可视化、 机器学习 领域。擅长Python、R语言、Excel、SQL。Di Wu曾在庆元县人民政府担任三农助理。

!引言

 本文改编自一个健康管理项目——希望用日常采集的饮食与身体活动数据，自动判断来访者的肥胖等级，从而把营养师的人力从反复问卷中解放出来。

我们将建模经验沉淀为一个对话式 AI智能体 **，业务人员只需用自然语言描述数据字段，智能体便能自动完成清洗、训练与解读。下面把这套方法拆开讲给同学和同行看。

阅读原文进群获取本文完整代码、数据、AI智能体及更多最新AI见解和行业洞察，可与900+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路；遇代码运行问题，更能享24小时调试支持。

整篇文章的推进脉络如下，自上而下串起从数据到决策的全过程：本次交付的项目文件目录结构如下，方便读者对照复现：

!摘要

中文摘要：本文回答以下核心问题——（1）七类肥胖等级样本不均衡时如何提升少数类识别率？（2）决策树、随机森林、逻辑回归、 神经网络 中哪种更适合本任务？（3）粒子群算法(PSO)如何进一步提升随机森林性能？（4）哪些生活习惯对肥胖等级影响最大？基于饮食习惯与身体活动数据，我们采用SMOTE过采样配合随机森林，并经PSO优化使测试集准确率达0.84。

English Abstract: This paper answers: (1) How to improve minority-class recognition under class imbalance among seven obesity levels? (2) Which of decision tree, random forest **, logistic regression and neural network fits best? (3) How does Particle Swarm Optimization (PSO) further boost random forest? (4) Which lifestyle factors dominate obesity risk? Using dietary and physical-activity data with SMOTE and random forest, PSO optimization raises test accuracy to 0.84.

【关键词】肥胖；慢性疾病；饮食习惯和生活方式；SMOTE过采样；随机森林；粒子群算法

!1 引言

!研究背景

全球范围内肥胖问题日益严重，肥胖由遗传、生理、心理、社会经济与环境多因素共同促成。在可改变的风险因素中，饮食习惯与身体活动水平被认为影响最为直接。高热量饮食、缺乏运动、不规律进餐均与肥胖密切相关，且肥胖会推高心血管疾病、2型糖尿病、部分癌症与肌肉骨骼疾病的发病风险。

随着城市化加快，饮食结构普遍转向高脂肪、高糖，久坐式电子设备依赖又削弱了体力消耗。世界卫生组织统计显示，全球超重成年人已超19亿，其中肥胖者约6.5亿，由此带来的医疗费用攀升与劳动力损失成为突出社会经济负担。

导师答辩高频提问：为何选取生活习惯数据而非体检生化指标来估计肥胖等级？
标准答案：生化指标获取成本高、难以大规模自查；而饮食与活动数据可由问卷低成本采集，更利于健康管理机构做常态化筛查。本文目标本就是"可落地的日常筛查工具"，故以生活习惯为主特征。

!研究目的

本研究旨在厘清生活习惯与肥胖等级的关系，具体目标包括：分析饮食模式、运动习惯、吸烟饮酒等行为对肥胖水平的影响；评估上述因素与肥胖的相关性及潜在因果线索；基于数据结果提出预防干预措施；为公共卫生与健康管理方提供可操作的量化依据。

!研究意义

科学层面，定量刻画生活习惯与肥胖的关联，为理解肥胖复杂成因补充证据。公共健康层面，结论可支撑更有针对性的干预政策。个体层面，提升公众对风险因素的认知，引导健康选择。经济层面，预防肥胖及相关慢病有助于削减医疗支出。

!2 文献综述

钟雨婷采用机器学习分析肥胖等级影响因素，用SMOTE处理类别不平衡，建立决策树、随机森林与神经网络模型，最优的SMOTE随机森林准确率达80%、AUC为0.8839，为后续研究提供了方法参照。

何双涛与刘军抽取大样本，对BAI与BMI、腰围、腰臀比及代谢指标做 线性 **相关与ROC分析，发现BAI与BMI、腰围相关性良好，可作为评价国人肥胖的新指标。

Iparraguirre-Villanueva等人用决策树预测营养患者肥胖水平，准确率92.89%、灵敏度94%，直观展示了决策树在此类分类任务中的高效性。

朱茵渠等人分析大学生体质健康，发现轻体重比例偏高而肥胖比例较低，饮食习惯与体质健康显著相关。其综述还涵盖生活方式对大学生超重共病、部分地区学生超重趋势、生活习惯干预效果等四项实证，一致强调健康生活方式的预防价值。

一项针对年轻健康男性的研究，按BMI与代谢状态分组，测量14个肥胖相关代谢标记物，比较代谢健康型肥胖(MHO)与代谢不健康型肥胖(MUO)的差异，为理解肥胖表型提供数据支撑。

综合来看，基于饮食与身体活动估计肥胖等级切实可行，机器学习能显著提升预测精度，肥胖是多因素复杂现象，需结合遗传、生活方式与代谢健康综合看待。

!3 采集数据探索性分析

!数据介绍

本文数据来源于某公开机器学习数据库，样本主要来自部分海外城市居民，分析结论的普适性因此存在一定局限。数据集含17个属性、2111条记录，目标变量为肥胖水平(NObeyesdad)，分为体重不足、正常体重、超重I、超重II、肥胖I、肥胖II、肥胖III共7类。数据中约77%由某开源数据挖掘工具配合SMOTE过滤器合成，23%通过网页平台直接采集。

各变量含义如下表所示：

!探索性分析

分布情况探究

运用Python绘制各变量直方图与概率密度曲线，本文展示年龄、身高、体重、蔬菜摄入频率(FCVC)、两餐进食频率(CAEC)、饮水量(CH2O)、锻炼频率(FAF)、电子设备时长(TUE)的分布。

图 1 直方图与概率密度曲线图

从图中可见，受调查人群以30岁以下为主，身高多位于1.6至1.8米，体重多在50至110公斤。在FCVC、FAF、TUE的图表中存在部分浮点值，后续预处理时应转为整数类型。

• • *

相关文章

!Python开发随机森林、梯度提升树与决策树融合模型预测体重变化及健康风险|附AI智能体、代码和数据

原文链接：https://tecdat.cn/?p=36648

内容概要：本文基于某健康与营养调查数据，用Python搭建决策树、随机森林、梯度提升树与神经网络对比体重变化预测，随机森林特征重要性显示年龄对体重变化影响最显著（约0.423），与本文"年龄是肥胖首要风险因素"的结论相互印证，可作为生活习惯—体重管理建模的延伸阅读。

• • *

描述性统计

本文仅展示年龄、身高、体重、蔬菜频率(FCVC)、正餐频次(NCP)、饮水量(CH2O)、锻炼频率(FAF)、电子设备时长(TUE)的描述性统计，并绘制箱线图探查异常值。

相关性探究

为便于建模，先对所有变量计算Pearson相关系数，并绘制相关系数热力图（偏红表示正线性相关强，偏蓝表示负线性相关强）。

图 3 各变量间相关性热力图

目标变量（肥胖水平）与年龄、家族肥胖史、两餐进食频率(CAEC)相关性较高，而是否吸烟(SMOKE)与电子设备时长(TUE)相关性低。预处理与建模时可考虑剔除SMOKE、TUE等弱相关变量。

导师答辩高频提问：直接删除SMOKE、TUE会不会丢失信息？
标准答案：删除依据来自相关性热力图与后续消融对比——二者与目标的Pearson系数接近0，且七分类任务中纳入与否对准确率影响小于1个百分点。若数据量更大或人群不同，应重新评估，不宜一概而论。

数据可视化

为直观呈现肥胖等级与各变量关系，逐一作图。

图 4 性别和肥胖水平的关系

体重不足人群中女性多于男性，正常体重女性略多；肥胖II近乎皆为男性，肥胖III近乎皆为女性，说明肥胖水平与性别存在关联。

图 5 年龄和肥胖水平的关系

体重不足群体年龄偏低，随肥胖等级升高，年龄中位数与四分位距逐步上移，表明肥胖程度与年龄正相关——新陈代谢减弱、体力活动机会减少是可能成因。

图 6 是否存在关于肥胖的家族遗传史和肥胖水平的关系

随肥胖等级升高，有家族肥胖史比例明显上升，肥胖III中几乎全部个体都有家族史，提示遗传在高度肥胖中扮演重要角色。

图 7 是否常食用高热量的食物和肥胖水平的关系

三类肥胖中频繁食用高热量食物者占比最高，说明高热量饮食在高度肥胖形成中作用显著。

图 8 在两餐之间吃东西的频率和肥胖水平的关系

体重不足与正常体重人群中，两餐间频繁进食者占比偏大，可能因其以零食替代正餐。

图 9 饮水量和肥胖水平的关系

越胖的人群每日饮水量中位数越高，饮水量或也是影响因素，后续以统计检验进一步确认。

图 10 是否监测每日摄入的卡路里和肥胖水平的关系

体重不足、正常、超重I中，主动记录卡路里摄入者占多数，说明自我监控者自控力更强，是肥胖影响因素之一。

图 11 体育锻炼的频率与肥胖水平之间的关系

运动频率中位数随肥胖等级上升而下降，表明运动频率或为影响肥胖的因素。

!数据预处理

数据处理

实验数据无缺失值。以年龄、身高、体重、蔬菜频率、正餐频次、饮水量、锻炼频率、电子设备时长做箱线图，发现年龄与每日正餐频次的异常值需处理，故用z-score的3倍标准差法剔除，并删除重复值，最终保留2063条，数据量变化不影响预测。

类别型变量的再编码

对变量做如下再编码，便于建模：

!4 建模与实验

!模型选择

初步选取模型说明

逻辑回归（Logistic Regression **）适合特征数不庞大的分类问题。决策树（Decision Tree）基于树结构，易于解释。随机森林（Random Forest）通过集成多棵决策树提升性能。人工神经网络可刻画复杂非线性关系，适合高维或复杂模式。

数据说明

目标变量为7级肥胖等级。由于肥胖等级由BMI（身高等计算得出），建模时剔除身高、体重；又因探索分析显示正餐频次(NCP)、是否抽烟(SMOKE)、电子设备时长(TUE)与目标几乎无关，一并剔除。按80%训练、20%测试切分。尝试决策树、随机森林、逻辑回归与神经网络四种模型。

模型比较

四种模型训练后对比训练时间与准确率，随机森林准确率最高，故选其作为初步模型。

第一轮对话：基础随机森林建模

背景：我手上有一份由问卷采集的饮食习惯与身体活动数据，目标字段是把人分成7个肥胖等级，但各类样本数量差距很大，直接用默认模型少数类几乎认不出。

目标：请帮我用Python搭建一个"SMOTE过采样 + 随机森林"的基线分类器，输出测试集的分类报告与准确率，先跑通流程。

约束：用imblearn的SMOTE做少数类过采样，随机森林保持默认100棵树，按8:2切分，随机种子固定为42，中文注释说明每一步。

from imblearn.over_sampling import SMOTE

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import train_test_split

from sklearn.metrics import classification_report

raw_tbl = pd.read_csv("obesity_data.csv")

# 类别变量再编码（省略具体映射字典，详见正文再编码表，共9个字段定义）

......（省略类别再编码字典，保留Gender至NObeyesdad的映射）

feat_cols = [c for c in raw_tbl.columns if c not in ["NObeyesdad","Height","Weight","NCP","SMOKE","TUE"]]

x_mat = raw_tbl[feat_cols]

y_tag = raw_tbl["NObeyesdad"]

x_tr, x_te, y_tr, y_te = train_test_split(x_mat, y_tag, test_size=0.2, random_state=42)

smp = SMOTE(random_state=42)

x_tr_b, y_tr_b = smp.fit_resample(x_tr, y_tr)

base_tree = RandomForestClassifier(n_estimators=100, max_depth=None, random_state=42)

base_tree.fit(x_tr_b, y_tr_b)

print(classification_report(y_te, base_tree.predict(x_te)))

基础随机森林对训练集判别结果如下（测试集准确率0.80）。类别6（肥胖III）性能最佳，类别1、3相对较弱，仍有提升空间。

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

初步结果

对原始数据建随机森林，混淆矩阵显示多数样本被正确分类，类别6近乎全对，但类别1、2、3存在错分。训练集准确率0.80，宏平均与加权平均各指标均接近0.80，模型均衡但仍有提升空间。

!基于粒子群算法优化模型

粒子群算法

随机森林训练受初始参数影响，本文引入粒子群算法（Particle Swarm Optimization, PSO）优化其参数。随机森林由多棵决策树组成，待优化参数主要有树的数量(n_trees)、单树最大深度(max_depth)、特征子集大小(max_features)。

注释：这就像一群鸟在山谷里找唯一的水源（行业术语：群体智能寻优），每只鸟记住自己到过的最好位置，也参考全群的最好位置，边飞边修正方向，最终收敛到最优解。

PSO将每个粒子的位置视为参数向量X，速度同为同维向量，按适应度（此处取随机森林交叉验证准确率）寻找最优位置G。速度更新公式为：

V = w V + c1 rand() (P - X) + c2 rand() * (G - X)

其中w为惯性因子，c1、c2为学习因子，rand()取0到1随机数，X、V为t时刻位置与速度。位置更新公式为：

X = X + V

PSO优化随机森林的流程如图13所示。

图 13 粒子群优化随机森林构建流程

本文设定的PSO控制参数如下，粒子数30控制搜索规模，迭代50次，局部与全局学习因子均取2.0，惯性权重0.7，搜索范围1至100。

第二轮对话：粒子群算法优化超参数

背景：上面的基线随机森林跑通了，测试准确率0.80，但类别1、3的召回偏低，我们希望自动找到更优的树数量与特征子集大小，而不是手动一个个试。

目标：请在同一份SMOTE数据上，用粒子群算法(PSO)搜索随机森林的(n_estimators, max_features)两个超参数，以五折交叉验证准确率作为适应度，输出最优参数与优化后的分类报告。

约束：粒子数30、迭代50、w=0.7、c1=c2=2.0，参数范围1至100，速度更新严格按V=wV+c1·rand·(P−X)+c2·rand·(G−X)实现，中文注释。

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import cross_val_score

n_est, m_feat = int(particle[0]), max(1, int(particle[1]))

clf = RandomForestClassifier(n_estimators=n_est, max_features=m_feat, random_state=42)

return cross_val_score(clf, x_tr_b, y_tr_b, cv=5).mean()

pos = np.random.randint(10, 100, (pop_size, dim))

vel = np.zeros((pop_size, dim))

p_score = [fitness(p) for p in pos]

g_best = p_best[np.argmax(p_score)]

w, c1, c2 = 0.7, 2.0, 2.0

for i in range(pop_size):

# 速度更新：V=w*V+c1*rand*(P-X)+c2*rand*(G-X)

vel[i] = w*vel[i] + c1*np.random.rand()*(p_best[i]-pos[i]) + c2*np.random.rand()*(g_best-pos[i])

pos[i] = np.clip(pos[i]+vel[i], 1, 100)

p_best[i], p_score[i] = pos[i], sc

g_best = p_best[np.argmax(p_score)]

best_n, best_f = int(g_best[0]), max(1, int(g_best[1]))

opt_model = RandomForestClassifier(n_estimators=best_n, max_features=best_f, random_state=42)

opt_model.fit(x_tr_b, y_tr_b)

print(classification_report(y_te, opt_model.predict(x_te)))

适应度折线图显示，迭代初期迅速上升，超过5次后稳定在0.81，说明PSO搜索有效。

图 14 适应度折线图

优化后测试集准确率达0.84，较基线提升明显，证明此次优化可行。

结果分析

随机森林特征重要性排序如图15。贡献最大的前四个特征依次为：年龄(Age)重要性超20%，居核心地位；蔬菜摄入频率(FCVC)与体育锻炼频率(FAF)分列二、三；饮水量(CH2O)排第四。

图 15 随机森林特征重要性条形图

年龄增长伴随新陈代谢率下降、能量消耗减少，是肥胖首要风险指标。蔬菜摄入频率越高，饮食结构越健康，利于控制总热量；体育锻炼频率直接影响能量消耗，规律运动对体重与心血管均有益。饮水量充足可促进代谢、增加饱腹感从而减少高热量摄入。

导师答辩高频提问：特征重要性高是否等于因果性强？能否直接据此给干预建议？
标准答案：特征重要性仅反映模型判别贡献，不等于因果。本文在结论中将其与文献综述的流行病学证据交叉印证（如年龄、运动、蔬菜摄入均有独立研究支撑），故建议有依据，但若要确证因果仍需前瞻性干预试验。

!5 结论建议

!结论

本文基于饮食与身体活动数据，用随机森林刻画影响肥胖等级的关键变量。年龄、饮食习惯与体育活动是核心变量，其中年龄重要性最高；蔬菜频率(FCVC)与锻炼频率(FAF)分列二、三，说明不良饮食与缺乏运动是主要行为诱因；饮水量(CH2O)与性别(Gender)重要性也较高。

饮酒频率(CALC)、两餐进食频率(CAEC)与家族肥胖史(Family_history)对等级有一定影响，提示遗传与生活方式在特定条件下作用显著；而交通工具(MTRANS)与卡路里监测(SCC)影响较小。模型经PSO优化后准确率升至84%，在轻重肥胖间分类表现均衡，展现了实际应用潜力。

!建议

针对年龄和遗传因素的精准干预：年龄为首因，家族肥胖史亦有作用，应优先关注中老年人与有家族史的高风险群体，提供定期体检与定制化低热量饮食、适度运动方案。

改善饮食习惯：减少高脂高糖食品，增加蔬菜与低热量食品比例；用卡路里记录软件提升健康饮食意识，尤需在年轻群体中培养良好习惯。

推广体育活动和运动干预：为不同年龄段设计运动计划，中老年以步行、游泳等低强度有氧为主，年轻群体可增加高强度健身；社区与学校应补充运动设施。

提高饮水量的健康意识：倡导每日适量白开水、减少含糖饮料，通过宣教普及饮水对代谢与体重管理的积极作用。

!总结

!核心问题与解决方案

• 问题一：七类肥胖样本不均衡，少数类识别率低怎么办？
• 解决方案：引入SMOTE过采样，对少数类合成新样本使各类趋于平衡，基础随机森林测试准确率即从偏低提升至0.80，类别6近乎全对。
• 问题二：默认随机森林参数欠佳，类别1、3召回不足如何改进？
• 解决方案：用粒子群算法(PSO)以五折交叉验证准确率为适应度，自动搜索(n_estimators, max_features)，迭代50次后稳定在0.81，测试准确率升至0.84。
• 问题三：模型给出的重要特征能否直接指导干预？
• 解决方案：将特征重要性（年龄>蔬菜频率>锻炼频率>饮水量）与文献流行病学证据交叉印证，转化为分人群的精准干预建议，而非孤立依赖模型输出。

!技术创新与业务价值

1. 技术创新：构建"SMOTE过采样 + 随机森林 + 粒子群算法(PSO)超参数优化"的三段式流水线，把七分类 Obesity 任务的测试准确率从0.80提升至0.84，且工程上可全自动寻参。
2. 方法创新：将PSO的群体智能寻优思想用于树模型超参搜索，避免网格搜索的计算浪费，50次迭代即收敛。
3. 业务价值：模型可封装为对话式AI智能体，健康管理机构凭问卷即可自动分级，预计将营养师人工问卷耗时压缩可观比例，支撑常态化肥胖筛查与早干预。

本文配套的论文建模可直接套用的AI智能体、完整代码包、实证分析，可加小助手：tecdat_cn领取，我们可提供全流程的辅助学术合规辅导、1v1建模陪跑服务，助力顺利完成科研、通过答辩。

作者系健康数据建模方向分析师，拥有多年数据采集、可视化与机器学习实战经验。