人工智能基礎(chǔ)與應(yīng)用（第2版）（微課版）課件 3-4 項目2-預(yù)測投保人醫(yī)療費(fèi)用

3-4項目2—預(yù)測投保人醫(yī)療費(fèi)用模塊?線性回歸：預(yù)測未來趨勢目錄CONTENTS提出問題01預(yù)備知識03解決方案02任務(wù)1—加載數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理04任務(wù)3—進(jìn)一步改善模型性能06任務(wù)2—訓(xùn)練和測試醫(yī)療費(fèi)用預(yù)測模型05一.提出問題問題描述我國農(nóng)村醫(yī)療保險和全民醫(yī)保制度的全面實施，緩解了廣大人民群眾“看病貴”的問題，提高了人民群眾的生活質(zhì)量，也改變了人們對保險的認(rèn)識，越來越多人的接受和認(rèn)可商業(yè)保險。與此同時，醫(yī)療保險公司作為一種商業(yè)經(jīng)營實體，對投保人在未來可能發(fā)生的醫(yī)療費(fèi)用進(jìn)行預(yù)測，這是醫(yī)療保險公司回避風(fēng)險、提高經(jīng)營利潤的一種保障措施。如何能得到一個較為精準(zhǔn)的醫(yī)療費(fèi)用預(yù)測模型呢機(jī)器如何去學(xué)習(xí)預(yù)測？二.解決方案1.問題本質(zhì)醫(yī)療費(fèi)用預(yù)測問題，就是試圖從投保人的特征變量入手，通過機(jī)器學(xué)習(xí)提供的某種模型，如線性回歸等，來尋找一個醫(yī)療費(fèi)用與投保人特征相關(guān)的函數(shù)表達(dá)式。仍然采用多元線性回歸來求解問題二.解決方案2.解決方案三.預(yù)備知識1.DataFrame數(shù)據(jù)的檢索用途：從數(shù)據(jù)集中切分出需要的數(shù)據(jù)loc方法使用名稱檢索iloc方法使用索引號檢索三.預(yù)備知識1.DataFrame數(shù)據(jù)的檢索示例：運(yùn)行結(jié)果三.預(yù)備知識2.DataFrame數(shù)據(jù)的更改1)按索引條件直接更改：結(jié)果三.預(yù)備知識2.DataFrame數(shù)據(jù)的更改2)用apply方法更改：結(jié)果四.任務(wù)1——加載數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理1.導(dǎo)入相關(guān)庫并加載數(shù)據(jù)讀取的數(shù)據(jù)四.任務(wù)1——加載數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理2.數(shù)據(jù)清洗和轉(zhuǎn)換對數(shù)據(jù)進(jìn)行轉(zhuǎn)換，以方便機(jī)器學(xué)習(xí)四.任務(wù)1——加載數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理3.數(shù)據(jù)的歸一化處理歸一化后的樣本數(shù)據(jù)五.任務(wù)2——訓(xùn)練和測試醫(yī)療費(fèi)用預(yù)測模型1.構(gòu)建線性回歸模型構(gòu)建線性回歸模型五.任務(wù)2——訓(xùn)練和測試醫(yī)療費(fèi)用預(yù)測模型2.準(zhǔn)備訓(xùn)練集和測試集按7∶3的比例分為訓(xùn)練集和測試集五.任務(wù)2——訓(xùn)練和測試醫(yī)療費(fèi)用預(yù)測模型3.模型訓(xùn)練和測試運(yùn)行結(jié)果五.任務(wù)2——訓(xùn)練和測試醫(yī)療費(fèi)用預(yù)測模型4.預(yù)測結(jié)果可視化可視化結(jié)果六.任務(wù)3——進(jìn)一步改善模型性能1.改進(jìn)方向01分析樣本特征的相關(guān)性。Age與bmi強(qiáng)相關(guān)六.任務(wù)3——進(jìn)一步改善模型性能1.改進(jìn)方向02考慮模型中是否存在非線性變量。處理辦法六.任務(wù)3——進(jìn)一步改善模型性能1.改進(jìn)方向03評估連續(xù)性變量的影響是否也是連續(xù)的。處理辦法六.任務(wù)3——進(jìn)一步改善模型性能1.改進(jìn)方向改進(jìn)舉例：消除bmi和smoker的共同作用六.任務(wù)3——進(jìn)一步改善模型性能1.改進(jìn)方向改進(jìn)后的效果：相對于前一個模型，改進(jìn)后的模型得分一下子提高到0.869，說明此模型能更好地解釋醫(yī)療費(fèi)用的變化，這可能提示肥胖吸煙者對醫(yī)療費(fèi)用的影響