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：

| 变量名称 | 变量类型 | 变量解释 |

| — | — | — |

| Gender | 分类 | 性别 |

| Age | 连续 | 年龄 |

| Height | 连续 | 身高 |

| Weight | 连续 | 体重 |

| Family_history_with_overweight | 二元 | 是否存在家族肥胖史 |

| FAVC | 二元 | 是否常吃高热量的食物 |

| FCVC | 整数 | 饮食中蔬菜的频率 |

| NCP | 连续 | 每日正餐的频次 |

| CAEC | 分类 | 两餐之间吃东西的频率 |

| SMOKE | 二元 | 是否抽烟 |

| CH2O | 分类 | 饮水量 |

| SCC | 二元 | 是否监测每日摄入的卡路里 |

| FAF | 连续 | 体育锻炼的频率 |

| TUE | 整数 | 使用电子设备的时长 |

| CALC | 分类 | 喝酒的频率 |

| MTRANS | 分类 | 惯用交通工具 |

| NObeyesdad | 分类 | 肥胖水平 |

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。

—

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。

| 变量 | 平均值 | 标准差 | 最小值 | 最大值 | 中位数 | 峰度 | 偏度 |

| — | — | — | — | — | — | — | — |

| Age | 24.31 | 6.35 | 14 | 61 | 22.78 | 2.83 | 1.53 |

| Height | 1.70 | 0.09 | 1.45 | 1.98 | 1.70 | -0.56 | -0.01 |

| Weight | 86.59 | 26.19 | 39 | 173 | 83 | -0.70 | 0.26 |

| FCVC | 2.42 | 0.53 | 1 | 3 | 2.39 | -0.64 | -0.43 |

| NCP | 2.69 | 0.78 | 1 | 4 | 3 | -0.39 | -1.11 |

| CH2O | 2.01 | 0.61 | 1 | 3 | 2 | -0.88 | -0.10 |

| FAF | 1.01 | 0.85 | 0 | 3 | 0.63 | -0.62 | 0.50 |

| TUE | 0.66 | 0.61 | 0 | 2 | 0.63 | -0.55 | 0.62 |

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：

| 变量 | 再编码 |

| — | — |

| GENDER | Male=0, Female=1 |

| FAMILY | no=0, yes=1 |

| FAVC | no=0, yes=1 |

| SMOKE | no=0, yes=1 |

| SCC | no=0, yes=1 |

| CAEC | no=0, Sometimes=1, Frequently=2, Always=3 |

| CALC | no=0, Sometimes=1, Frequently=2, Always=3 |

| MTRANS | Public_Trans=0, Walking=1, Automobile=2, Motorbike=3, Bike=4 |

| NObeyesdad | Insufficient_W=0, Normal_W=1, Overweight_L_I=2, Obesity_T_I=3, Obesity_T_II=4, Obesity_T_III=5,6 |

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

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。

探索观点

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。

| 模型 | 训练时间 | 准确率 |

| — | — | — |

| 决策树 | 0.0141 | 0.71 |

| 随机森林 | 0.4885 | 0.80 |

| 逻辑回归 | 1.9041 | 0.58 |

| BP神经网络 | 8.4223 | 0.67 |

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。

# 读取饮食与身体活动数据
import pandas as pd
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"]

# 按八比二切分训练与测试集
x_tr, x_te, y_tr, y_te = train_test_split(x_mat, y_tag, test_size=0.2, random_state=42)

# 用SMOTE缓解七类样本不均衡
smp = SMOTE(random_state=42)
x_tr_b, y_tr_b = smp.fit_resample(x_tr, y_tr)

# 训练基础随机森林
base_tree = RandomForestClassifier(n_estimators=100, max_depth=None, random_state=42)
base_tree.fit(x_tr_b, y_tr_b)

# 输出测试集表现
print(classification_report(y_te, base_tree.predict(x_te)))

一键获取完整项目代码

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。

| 类别 | precision | recall | f1-score | support |

| — | — | — | — | — |

| 0 | 0.83 | 0.89 | 0.86 | 44 |

| 1 | 0.66 | 0.74 | 0.69 | 57 |

| 2 | 0.84 | 0.65 | 0.73 | 65 |

| 3 | 0.69 | 0.61 | 0.65 | 57 |

| 4 | 0.76 | 0.78 | 0.77 | 68 |

| 5 | 0.82 | 0.93 | 0.87 | 57 |

| 6 | 0.98 | 1.00 | 0.99 | 65 |

| accuracy | 0.80 | 0.80 | 0.80 | 413 |

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。

# 粒子群优化随机森林超参数
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score

def fitness(particle):
    # 取粒子前两维作为树数量与特征子集大小
    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)
    # 五折交叉验证均值作为适应度
    return cross_val_score(clf, x_tr_b, y_tr_b, cv=5).mean()

# 初始化粒子位置与速度
pop_size, dim = 30, 2
pos = np.random.randint(10, 100, (pop_size, dim))
vel = np.zeros((pop_size, dim))
p_best = pos.copy()
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 it in range(50):
    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)
        sc = fitness(pos[i])
        if sc > p_score[i]:
            p_best[i], p_score[i] = pos[i], sc
    g_best = p_best[np.argmax(p_score)]

# 用最优参数重建模型并评估
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)))

一键获取完整项目代码

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。

| 类别 | Precision | Recall | F1-Score | Support |

| — | — | — | — | — |

| 0 | 0.87 | 0.90 | 0.89 | 52 |

| 1 | 0.69 | 0.79 | 0.73 | 61 |

| 2 | 0.82 | 0.72 | 0.77 | 46 |

| 3 | 0.79 | 0.59 | 0.67 | 51 |

| 4 | 0.80 | 0.81 | 0.80 | 68 |

| 5 | 0.87 | 0.95 | 0.91 | 64 |

| 6 | 0.99 | 1.00 | 0.99 | 71 |

| accuracy | 0.84 | 0.84 | 0.84 | 413 |

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。