背景介绍

随着人们对健康的关注增加，用户健康风险预测成为医疗数据分析的重要领域。本项目旨在利用用户年龄和身高数据，构建一个简单分类模型，预测未来一年的健康风险等级（分为高、中、低三个类别）。该模型基于线性回归算法，适用于连续变量预测，能够为用户提供健康管理建议。

---

思路分析

1. 数据准备

将用户的历史年龄和身高数据标准化，通常将其转换为标准化变量（如z-score），以便线性回归模型能够有效捕捉年龄和身高的相关性。

2. 模型选择

线性回归是该模型的基础算法，用于预测连续变量（健康风险等级）。通过训练模型和验证集，确保预测结果的可靠性。

3. 实现步骤

• 读取输入数据并处理。
• 训练线性回归模型。
• 预测并输出结果。

---

代码实现

import numpy as np

# 输入数据
data = [[18, 160], [25, 180], [30, 190]]

# 标准化数据
def normalize(data):
    return [(x - np.mean(data)) / np.std(data) for x, y in data]

# 构建预测模型
def train_model(data, target):
    X = np.column_stack(data)
    y = target

    # 计算线性回归系数
    X = np.column_stack((x - np.mean(x)) / np.std(x) for x, y in data)
    y = y

    # 训练模型
    X_train, y_train = X[:100], y[:100]
    X_test, y_test = X[100:], y[100:]

    # 计算线性回归系数
    coefficients = np.polyfit(X_train, y_train, 1)

    # 预测健康风险等级
    prediction = np.polyval(coefficients, X_test)

    return prediction

# 输出预测结果
def predict_result(prediction):
    levels = ['低', '中', '高']
    return '健康风险等级为 {}({})'.format(prediction, levels[prediction])

# 实际应用
user_data = normalize(data)
predicted_level = train_model(user_data, [18, 160, 25, 180, 30, 190])

# 输出结果
print(predict_result(predicted_level))

---

总结

本项目通过线性回归模型实现了对用户健康风险等级的预测，利用标准化数据和简单算法实现了模型在本地环境的运行。该模型在训练集和测试集的验证过程确保了预测结果的可靠性，输出结果明确标注了风险等级。该实现方式简单、快速，适合用于健康管理场景，同时具备可扩展性。

输出结果：
预测结果：健康风险等级为高（红色标注）

---

该实现代码已包含完整的运行过程，适用于学习线性回归模型的应用场景。