Abstract：
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。
Keyword：
Reprint 's Address：
Email：
Source ：
现代信息科技
Year： 2025
Issue： 07
Volume： 9
Page： 40-46
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
