文章详情

摘要

文章旨在利用XGBoost模型预测肥胖水平，通过SHAP方法解释各特征对肥胖风险的贡献，从而识别关键影响因素并提供肥胖预防的科学依据。基于家族肥胖史、饮食习惯、身体活动频率等多个特征进行建模，使用XGBoost预测肥胖水平，并应用SHAP值分析各特征对模型输出的影响，来解释各特征对肥胖分类的贡献。家族肥胖史、年龄和饮食习惯是影响肥胖的关键因素，SHAP分析进一步揭示了这些因素对肥胖分类的具体贡献和影响。通过结合XGBoost的高效预测能力和SHAP的可解释性分析，研究不仅识别了影响肥胖的关键特征，还为个性化健康管理和肥胖预防提供了科学依据，展示了机器学习在公共健康领域的应用潜力。

关键词

SHAP；XGBoost；大数据；肥胖水平；健康管理

参考文献

1. [1] Dugan T M，Mukhopadhyay S，Carroll A，et al. Machine Learning Techniques for Prediction of Early Childhood Obesity [J].Applied Clinical Informatics，2015，6（3）：506-520.
2. [2] Dirik M.Application of machine learning techniques for obesity prediction：a comparative study [J]. Journal of Complexity in Health Sciences，2023，6（2）：16–34.
3. [3] Palmieri F，Akhtar N F，Pané A，et al. Machine learning allows robust classification of visceral fat in women with obesity using common laboratory metrics [J/OL].Scientific Reports，2024，14（1）：17263[2024-08-20]. https://www.nature.com/articles/s41598-024-68269-y.
4. [4] 黎子豪，蒋恕.基于机器学习和SHAP算法的声波测井曲线重构及可解释性分析[J].地质科技通报，2025，44（1）：321-331.
5. [5] 吕慧敏，刘明锋，靳茜茜，等.SHAP分析指导的早期损伤时间可解释推断模型构建[J].中国法医学杂志，2024，39（3）：320-326.
6. [6] UCI Machine Learning Repository. Estimation of Obesity Levels Based on Eating Habits and Physical Condition[R/OL].（n.d.）[2024-11-04]. https://archive.ics.uci.edu/dataset/544/estimation+of+obesity+levels+based+on+eating+habits+and+physical+condition.
7. [7] 刘冬，刘瑞丽，翁海光.基于SHAP解释工具的网络欺凌文本检测模型研究[J].中国人民公安大学学报：自然科学版，2024，30（3）：59-69.
8. [8] 韦红亮，章霞，吴培佳，等.基于SHAP分析的施工作业区通行能力影响要素研究[J].交通工程，2024，24（8）：23-30+37.
9. [9] 张潇涵，朱翰林，韩志江，等.SHAP值在XGBoost MRI模型中鉴别腮腺恶性肿瘤与Warthin瘤的价值[J].中国临床医学影像杂志，2024，35（7）：462-466.
10. [10] 伍洁，陈迪芳，李瑞彤，等.基于XGBoost和SHAP方法的个人信贷风险评估研究[J].现代信息科技，2024，8（8）：146-150+155.
11. [11] 张泽，褚哲.基于XGBoost的学生成绩预测及SHAP特征分析研究[J].信息化研究，2024，50（3）：34-40.

作者简介

黄东升（2003—），男，汉族，安徽亳州人，本科在读，研究方向：应用统计。