Health care cost data analysis 除了线性回归其他两种方法r语言代码实现

Healthcare cost data analysis可以采用多种统计和机器学习方法，除了线性回归之外，还可以尝试以下两种常用的方法：

1. **决策树（Decision Trees）**:

# 加载所需库
library(rpart)
library(rpart.plot)

# 假设数据集名为health_data
health_data <- read.csv("health_data.csv") # 替换为实际文件路径

# 构建决策树模型
cost_model <- rpart(Cost ~ ., data = health_data, method = "class")

# 可视化决策树
prp(cost_model, type=1, extra=1)

这里我们使用`rpart`函数创建决策树，并通过`prp`函数进行可视化。

2. **随机森林（Random Forest）**:

library(randomForest)

# 首先，对分类变量进行因子编码
health_data$CategoricalVar <- as.factor(health_data$CategoricalVar)

# 创建随机森林模型
rf_model <- randomForest(Cost ~ ., data = health_data, ntree = 500, importance = TRUE)

# 查看特征重要性
varImpPlot(rf_model)

这里通过`randomForest`包构建随机森林模型，并利用`varImpPlot`评估各个特征的重要性。