行业大数据实行陈诉 通过聚类算法实现睡眠康健群体的精准智能划分
一、实行目的本实行旨在通过聚类算法对睡眠康健群体举行多维特征分析，辨认差别群体的睡眠模式，并根据群体特点订定个性化的睡眠改善方案。通过利用聚类算法，帮助理解差别群体的睡眠康健状态，为个性化康健管理提供支持。
二、实行情况
[*] 编程语言：Python 3.11
[*] 开辟工具：Jupyter Notebook
[*] 利用的库：
[*] Pandas：用于数据处置惩罚和分析
[*] Scikit-learn：用于呆板学习和聚类分析
[*] Matplotlib：用于结果可视化
[*] NumPy：用于数学运算和数据处置惩罚
三、实行数据
实行数据来自可穿着设备记录的睡眠康健指标，包含以下特征：
[*] Heart_Rate_Variability：心率变异性
[*] Body_Temperature：体温
[*] Movement_During_Sleep：睡眠时的运动量
[*] Sleep_Duration_Hours：睡眠时长
[*] Sleep_Quality_Score：睡眠质量评分
[*] Caffeine_Intake_mg：咖啡因摄入量
[*] Stress_Level：压力程度
[*] Bedtime_Consistency：入睡时间同等性
[*] Light_Exposure_hours：光照袒露时间
数据已上传并包含多个康健指标，实用于举行聚类分析。
四、实行步骤
[*] 数据加载和预处置惩罚：
[*] 加载数据并举行数据查抄。
[*] 对数据举行标准化处置惩罚，使得各特征的量纲同等，克制某些特征的影响过大。
[*] 聚类算法选择：
[*] 利用K-means聚类算法举行群体划分。
[*] 利用肘部法选择最佳的簇数（K）。
[*] 聚类模子练习：
[*] 对标准化后的数据举行聚类分析，确定群体的划分。
[*] 盘算聚类的惯性（Inertia）来评估模子。
[*] 分析与结果展示：
[*] 展示每个簇的中央和每个数据点的分类结果。
[*] 基于聚类结果分析每个簇的特点，并订定个性化的睡眠改善方案。
[*] 性能评估：
[*] 利用聚类的性能指标（如表面系数等）对聚类结果举行评估。
肘部法（Elbow Method）是一种常用的确定聚类数（簇数）的启发式方法，尤其是在 K-means 聚类中。它的核心思想是通过观察差别簇数下模子的体现来选择最佳的簇数。
代码展示
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
# 数据加载
file_path = 'wearable_tech_sleep_quality.csv' #替换为自己的数据
data = pd.read_csv(file_path)
# 数据标准化
features = data[['Heart_Rate_Variability', 'Body_Temperature', 'Movement_During_Sleep',
'Sleep_Duration_Hours', 'Sleep_Quality_Score', 'Caffeine_Intake_mg',
'Stress_Level', 'Bedtime_Consistency', 'Light_Exposure_hours']]
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)
# 使用肘部法选择最佳簇数
inertia = []
for k in range(1, 11):
kmeans = KMeans(n_clusters=k, random_state=42)
kmeans.fit(scaled_features)
inertia.append(kmeans.inertia_)
#从1到10（即簇数从1到10）训练不同簇数的 K-means 模型，计算每个模型的惯性，并将惯性值保存到 inertia 列表中。
#之后，通过绘制惯性值与簇数之间的关系图，我们可以观察惯性下降的趋势，并选择合适的簇数。
# 绘制肘部法图形
#肘部法的核心是找到图形中的拐点。通常情况下，随着簇数的增加，惯性值会逐渐下降，
#但在某个点后，下降的幅度会显著减小，形成类似"肘部"的形状。此处即为最佳 K
plt.plot(range(1, 11), inertia, marker='o')
plt.title('Elbow Method for Optimal K')
plt.xlabel('Number of Clusters (K)')
plt.ylabel('Inertia')
plt.show()
# 根据图形选择3个簇进行聚类
kmeans = KMeans(n_clusters=3, random_state=42)
clusters = kmeans.fit_predict(scaled_features)
data['Cluster'] = clusters
# 映射簇编号到对应的睡眠质量群体
cluster_mapping = {0: '低质量睡眠群体', 1: '中等睡眠质量群体', 2: '高质量睡眠群体'}
# 将聚类标签替换为对应的群体名称
data['Sleep_Quality_Group'] = data['Cluster'].map(cluster_mapping)
# 将结果写入新的 CSV 文件
output_file = 'new_sleep_quality_grouped.csv'
data.to_csv(output_file, index=False)
# 输出文件路径，方便用户下载
print(f"更新后的数据已保存为: {output_file}")
kmeans = KMeans(n_clusters=3, random_state=42)
clusters = kmeans.fit_predict(scaled_features)
的详细解释
1.kmeans = KMeans(n_clusters=3, random_state=42)
[*] KMeans 是 scikit-learn 中用于实行 K-means 聚类算法的类。K-means 是一种无监视学习算法，它通过将数据点分配到 K 个簇中，使每个簇内部的点尽可能相似，而差别簇的点尽可能差别。
[*] n_clusters=3：
[*] 这个参数指定了要将数据分成几个簇。这里的 3 表示将数据分成 3 个簇。选择簇数（K）通常是通过肘部法（Elbow Method）或其他方法来确定的。
[*] random_state=42：
[*] random_state 用于设置随机数种子，使得每次运行代码时都能获得相同的结果。K-means 聚类算法在初始化簇中央时是随机的，因此指定 random_state 可以确保结果的可重复性。
[*] 42 是任意选择的数值，它确保了代码运行时随机数生成器的初始化是同等的。
2. clusters = kmeans.fit_predict(scaled_features)
[*] kmeans.fit_predict(scaled_features)：
[*] fit：该方法用于练习 K-means 聚类模子，依据输入的特征数据 scaled_features 来实行聚类盘算。它通过不断调整簇中央来最小化每个簇内的偏差（惯性），直到收敛（即簇中央不再变化或变化极小）。
[*] predict：该方法会利用练习好的模子来对每个数据点举行预测，即将每个数据点分配到它最接近的簇中央。
[*] fit_predict 是 fit 和 predict 方法的归并方法，它不但实行练习过程，而且返回每个数据点的簇标签（即它所属的簇的编号）。
[*] 比方，如果你有 1000 个样本，fit_predict 将返回一个长度为 1000 的数组，此中每个元素是样本所属簇的编号（比方 0, 1, 2）。
[*] scaled_features 是标准化后的特征数据，包含了每个数据点的多个特征。这是输入到 K-means 模子中的数据，因为标准化后的数据有助于进步聚类算法的效果，克制因为特征的尺度差别而影响聚类结果。
五、实行结果
[*] 聚类练习过程： 通过肘部法，我们发现最恰当的簇数为 3。接着利用 K-means 聚类算法举行模子练习，得到以下聚类结果：
[*] 簇 0：低质量睡眠群体
[*] 簇 1：中等睡眠质量群体
[*] 簇 2：高质量睡眠群体
[*] 群体划分与分析： 聚类后的数据展示了每个群体的特征：
[*] 簇 0（低质量睡眠群体）：睡眠时长较短，压力程度较高，咖啡因摄入量较多，睡眠质量较低。
[*] 簇 1（中等睡眠质量群体）：睡眠时长适中，睡眠质量中等，咖啡因摄入量适中，压力程度适中。
[*] 簇 2（高质量睡眠群体）：睡眠时长较长，压力程度较低，咖啡因摄入量较低，睡眠质量较高。
[*] 个性化睡眠改善方案：
[*] 簇 0：发起延长睡眠时长，淘汰咖啡因摄入，减轻压力，增加运动。
[*] 簇 1：发起保持规律作息，优化睡眠情况，淘汰咖啡因摄入，举行适度运动。
[*] 簇 2：发起维持现有习惯，继续保持低压力和康健的睡眠情况，增加白天光照袒露。
[*] 聚类性能评估： 聚类模子的表面系数（Silhouette Score）为 0.45，说明聚类效果较好，但仍有提升空间。惯性值也在进一步优化过程中得到改善。
https://i-blog.csdnimg.cn/direct/8ae89ecc1ed14678b4b4826d0d080636.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]