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

1. import pandas as pd
2. import numpy as np
3. from sklearn.preprocessing import StandardScaler
4. from sklearn.cluster import KMeans
5. import matplotlib.pyplot as plt
7. # 数据加载
8. file_path = 'wearable_tech_sleep_quality.csv' #替换为自己的数据
9. data = pd.read_csv(file_path)
11. # 数据标准化
12. features = data[['Heart_Rate_Variability', 'Body_Temperature', 'Movement_During_Sleep',
13.                  'Sleep_Duration_Hours', 'Sleep_Quality_Score', 'Caffeine_Intake_mg',
14.                  'Stress_Level', 'Bedtime_Consistency', 'Light_Exposure_hours']]
15. scaler = StandardScaler()
16. scaled_features = scaler.fit_transform(features)
18. # 使用肘部法选择最佳簇数
19. inertia = []
20. for k in range(1, 11):
21.     kmeans = KMeans(n_clusters=k, random_state=42)
22.     kmeans.fit(scaled_features)
23.     inertia.append(kmeans.inertia_)
24. #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。
25. #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。
28. # 绘制肘部法图形
29. #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，
30. #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
31. plt.plot(range(1, 11), inertia, marker='o')
32. plt.title('Elbow Method for Optimal K')
33. plt.xlabel('Number of Clusters (K)')
34. plt.ylabel('Inertia')
35. plt.show()
37. # 根据图形选择3个簇进行聚类
38. kmeans = KMeans(n_clusters=3, random_state=42)
39. clusters = kmeans.fit_predict(scaled_features)
40. data['Cluster'] = clusters
42. # 映射簇编号到对应的睡眠质量群体
43. 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'}
45. # 将聚类标签替换为对应的群体名称
46. data['Sleep_Quality_Group'] = data['Cluster'].map(cluster_mapping)
48. # 将结果写入新的 CSV 文件
49. output_file = 'new_sleep_quality_grouped.csv'
50. data.to_csv(output_file, index=False)
52. # 输出文件路径，方便用户下载
53. print(f"更新后的数据已保存为: {output_file}")

复制代码

  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。
  
  
  
  
  

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。