一、数据集说明

数据集:

通过网盘分享的文件：obesity_level.csv
链接: https://pan.baidu.com/s/1YjcjbXW3UPeWP5x99at6kQ 提取码: vdzc

字段	含义	说明
id	编号	样本唯一标识
Gender	性别	Female/Male
Age	年龄	数值（含小数）
Height	身高	米 (m)
Weight	体重	千克 (kg)
family_history_with_overweight	家族肥胖史	1/0， 家人是否有超重肥胖
FAVC	常吃高热量食物	1/0， 经常吃高热量零食快餐
FCVC	蔬菜食用频率	1–3， 越高越常吃蔬菜
NCP	每日正餐数量	1-3， 每天吃几顿正餐
CAEC	两餐间零食习惯	Sometimes/ Frequently/ Always/ 0
SMOKE	吸烟	1/0
CH2O	每日饮水量	1–3， 越高喝水越多
SCC	监控卡路里摄入	1/0， 是否关注热量
FAF	身体活动频率	0–3， 越高运动越多
TUE	电子产品使用时间	0–2， 越高久坐时间越长
CALC	饮酒频率	Sometimes/ Frequently/ Always/ 0
MTRANS	交通方式	Public_Transportation/ Automobile/ Walking
0be1dad	肥胖等级	Insufficient_Weight： 体重不足 Normal_Weight： 正常体重 Overweight_Level_I： 超重 I 级 Overweight_Level_II： 超重 II 级 Obesity_Type_I： 肥胖 I 级 Obesity_Type_II： 肥胖 II 级 Obesity_Type_III： 肥胖 III 级

二、数据预处理

（一）加载数据

导入所需要的包，如果没有先用pip下载（建议直接下一个anaconda）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix



plt.rcParams['font.sans-serif'] = ['SimHei', 'WenQuanYi Micro Hei', 'Heiti TC']
plt.rcParams['axes.unicode_minus'] = False

加载CSV原文件

# 1. 加载数据
df = pd.read_csv("obesity_level.csv")

print(" 数据加载完成，列名如下：")
print(df.columns.tolist())
print("\n数据前5行预览：")
print(df.head())

简单查看数据基本情况

（二）数据预处理

1.缺失值处理

print("\n缺失值统计")
print(df.isnull().sum())
df = df.dropna()

由查询结果可知，数据很规整，没有缺失值，如有缺失值则运行.dropna()语句，删除缺失值。

2.异常值处理

数据中身高（Height字段）设范围为1.2-2.2米，该范围之外视为异常值

数据中体重（Weight字段）设范围为30-200kg，该范围之外视为异常值

df = df[(df["Height"] >= 1.2) & (df["Height"] <= 2.2)]
df = df[(df["Weight"] >= 30) & (df["Weight"] <= 200)]

3.二分类变量处理

将 "Gender", "family_history_with_overweight", "FAVC", "SMOKE" 这四列只有两个取值的分类列，转换成 0/1 数值（其中有些字段的值已是）

binary_cols = ["Gender", "family_history_with_overweight", "FAVC", "SMOKE"]
le = LabelEncoder()
for col in binary_cols:
    df[col] = le.fit_transform(df[col])
df[binary_cols].head()

4.多分类变量 OneHot 编码处理

把 无序多分类特征 转成 独热编码（0/1 矩阵），避免模型误以为类别有大小关系。

• CAEC：饮食习惯（多类别）
• SCC：监控卡路里摄入
• CALC：酒精摄入频率
• MTRANS：出行方式

multi_cols = ["CAEC", "SCC", "CALC", "MTRANS"]
df = pd.get_dummies(df, columns=multi_cols, drop_first=True)

new_columns = [col for col in df.columns if any(start in col for start in multi_cols)]
print("OneHot 编码后新增的列：")
print(new_columns)

5.目标变量编码处理

把文本 / 字符串类型的目标标签（比如 Insufficient_Weight, Normal_Weight, Obesity 等）转换成 0,1,2,3... 连续整数，这是分类模型（决策树、随机森林、XGBoost、逻辑回归等）强制要求

target_col = "0be1dad"
le_target = LabelEncoder()
df[target_col] = le_target.fit_transform(df[target_col])
print(f"\n 目标列已编码，类别映射关系：")
print(dict(zip(le_target.classes_, le_target.transform(le_target.classes_))))

6.数值型特征标准化

StandardScaler 标准化：把所有不同量级的数值（年龄、身高、体重、分数等）压缩到 均值为 0，标准差为 1 的统一范围。

为什么必须做？

1. Age（年龄）：范围 10~60
2. Height（身高）：范围 1.5~2.0
3. Weight（体重）：范围 40~150如果不标准化，模型会偏向数值大的特征（体重、年龄），忽略小数值特征。

num_cols = ["Age", "Height", "Weight", "FCVC", "NCP", "CH2O", "FAF", "TUE"]
scaler = StandardScaler()
df[num_cols] = scaler.fit_transform(df[num_cols])

print(f"\n 预处理完成，数据形状：{df.shape}")

三、数据特征提取

特征矩阵 X：去掉 id 和目标列，只保留所有输入特征

X：所有用于预测的特征（编码后的分类特征 + 标准化后的数值特征

y：需要被预测的目标标签（肥胖等级）

删除 id：id 是无意义序号，必须删掉，否则会严重干扰模型

删除目标列 0be1dad：不能把答案放进特征里！

X = df.drop(["id", "0be1dad"], axis=1)
y = df["0be1dad"]

单变量特征重要性（ANOVA F 值）

• f_classif：使用 ANOVA F 检验，衡量每个特征与目标标签的线性相关性强弱
• 分数越高 → 特征对分类越重要
• SelectKBest(k=10)：自动选出得分最高的前 10 个特征
• X_selected：只保留 10 个最优特征的新特征矩阵
• scores：所有特征的重要性排序

selector = SelectKBest(score_func=f_classif, k=10)
X_selected = selector.fit_transform(X, y)

scores = pd.Series(selector.scores_, index=X.columns).sort_values(ascending=False)
print(scores.head(20))

可视化TOP10特征重要性

plt.figure(figsize=(10, 6))
scores.head(10).plot(kind="barh", color="skyblue")
plt.title("Top 10 影响肥胖等级的关键特征（F值越高影响越强）")
plt.xlabel("F值")
plt.gca().invert_yaxis()
plt.show()

print("\n Top10关键特征：")
print(scores.head(10))

四、模型训练

（一）划分训练集和测试集（8:2，分层抽样保证类别分布一致）

1. 为什么用 X_selected 而不是原来的 X？

• X：所有特征（几十列，包含弱相关 / 冗余特征）
• X_selected：ANOVA 筛选后的 Top10 关键特征
• 好处：模型更小、训练更快、减少过拟合、提升泛化能力

2. stratify=y 为什么重要？

• 你的目标列是多分类标签（肥胖等级共 6~7 类）
• 不加这个参数，可能出现：训练集缺某类标签，测试集全是某类标签
• 加了：训练集和测试集的类别分布完全一致，评估结果真实可信

X_train, X_test, y_train, y_test = train_test_split(
    X_selected, y, test_size=0.2, random_state=42, stratify=y
)

（二）初始化多分类逻辑回归模型

model = LogisticRegression(
    multi_class="multinomial",
    solver="lbfgs",
    max_iter=1000,
    random_state=42
)

（三）训练模型

model.fit(X_train, y_train)
print("\n 模型训练完成！")

五、模型评估

（一）预测准确性

y_pred = model.predict(X_test)

acc = accuracy_score(y_test, y_pred)
print(f"\n 模型准确率：{acc:.4f}")

（二）查看详情

print("\n 分类报告")
print(classification_report(y_test, y_pred, target_names=le_target.classes_))

六、混淆矩阵可视化总结

cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(10, 8))
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues",
            xticklabels=le_target.classes_, yticklabels=le_target.classes_)