### 创建 BMI 分类的统计模型 要在 Jupyter Notebook 中使用 Python 建立并运行一个 BMI 分类的统计模型，可以按照以下方法完成。以下是完整的解决方案： #### 数据准备 首先需要收集或生成一组包含身高、体重以及对应的 BMI 类别的数据集。通常 BMI 可分为以下几个类别： - **Underweight**: BMI < 18.5 - **Normal weight**: 18.5 ≤ BMI < 24.9 - **Overweight**: 25 ≤ BMI < 29.9 - **Obesity**: BMI ≥ 30 可以通过计算公式 `BMI = (Weight / Height²)` 来生成标签。 ```python import pandas as pd import numpy as np # 随机生成样本数据 np.random.seed(42) data_size = 1000 heights = np.random.uniform(1.4, 2.0, data_size) # 身高范围 1.4m 到 2.0m weights = np.random.uniform(40, 150, data_size) # 体重范围 40kg 到 150kg # 计算 BMI 并分类 bmi_values = weights / (heights ** 2) def classify_bmi(bmi): if bmi < 18.5: return 'Underweight' elif 18.5 <= bmi < 24.9: return 'Normal weight' elif 25 <= bmi < 29.9: return 'Overweight' else: return 'Obesity' categories = list(map(classify_bmi, bmi_values)) # 构造 DataFrame df = pd.DataFrame({ 'Height': heights, 'Weight': weights, 'Category': categories }) print(df.head()) ``` --- #### 数据预处理 为了训练机器学习模型，需将字符串类型的类别转换为数值型编码。 ```python from sklearn.preprocessing import LabelEncoder label_encoder = LabelEncoder() df['Encoded_Category'] = label_encoder.fit_transform(df['Category']) print(df[['Category', 'Encoded_Category']].head()) # 映射关系 category_mapping = dict(zip(label_encoder.classes_, range(len(label_encoder.classes_)))) print(f'Category Mapping: {category_mapping}') ``` --- #### 拆分数据集和构建模型 这里可以选择逻辑回归或其他简单易懂的分类器作为初始模型。 ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, confusion_matrix X = df[['Height', 'Weight']] y = df['Encoded_Category'] # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化模型 model = LogisticRegression(max_iter=1000) model.fit(X_train, y_train) # 测试模型性能 predictions = model.predict(X_test) print('Confusion Matrix:') print(confusion_matrix(y_test, predictions)) print('\nClassification Report:') print(classification_report(y_test, predictions)) ``` --- #### 结果可视化 利用 Plotly 或 Matplotlib 对结果进行可视化展示。 ```python import matplotlib.pyplot as plt import seaborn as sns # 绘制混淆矩阵热力图 conf_mat = confusion_matrix(y_test, predictions) sns.heatmap(conf_mat, annot=True, fmt='d', cmap="Blues", xticklabels=category_mapping.keys(), yticklabels=category_mapping.keys()) plt.ylabel('Actual') plt.xlabel('Predicted') plt.title('Confusion Matrix Heatmap') plt.show() # 使用 Plotly 展示分布情况 import plotly.express as px fig = px.scatter(df, x='Height', y='Weight', color='Category', title='BMI Classification Distribution') fig.update_layout(width=800, height=600) fig.show() # 如果在本地运行，可能需要调整 connected 参数[^2] ``` --- ### 总结 通过以上步骤，在 Jupyter Notebook 中成功实现了基于身高等特征的 BMI 分类模型，并完成了基本的数据分析与可视化工作。此过程涵盖了数据预处理、模型构建及评估等多个环节[^1]。