使用adam算法基于python生成一个保险预测系统并生成可视化结果，要求添加名为‘insurance.csv’的外部数据集

首先，我们需要导入所需的库和数据集。假设我们已经安装了以下库：numpy、pandas、sklearn、matplotlib、seaborn。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt
import seaborn as sns

# 导入外部数据集
data = pd.read_csv('insurance.csv')

接下来，我们需要对数据集进行一些预处理。首先，我们需要将分类变量转换为数值变量。我们可以使用pandas的get_dummies()函数实现这一点。

# 将分类变量转换为数值变量
data = pd.get_dummies(data, columns=['sex', 'smoker', 'region'])

接下来，我们需要将数据集拆分为训练集和测试集，并对模型进行训练和评估。

# 拆分数据集为训练集和测试集
X = data.drop(['charges'], axis=1)
y = data['charges']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立线性回归模型并训练
lr = LinearRegression()
lr.fit(X_train, y_train)

# 在测试集上进行预测并计算MSE
y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

最后，我们可以通过可视化的方式展示预测结果。

# 可视化预测结果
sns.regplot(x=y_test, y=y_pred)
plt.title('Linear Regression')
plt.xlabel('Actual Charges')
plt.ylabel('Predicted Charges')
plt.show()

完整代码如下：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt
import seaborn as sns

# 导入外部数据集
data = pd.read_csv('insurance.csv')

# 将分类变量转换为数值变量
data = pd.get_dummies(data, columns=['sex', 'smoker', 'region'])

# 拆分数据集为训练集和测试集
X = data.drop(['charges'], axis=1)
y = data['charges']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立线性回归模型并训练
lr = LinearRegression()
lr.fit(X_train, y_train)

# 在测试集上进行预测并计算MSE
y_pred = lr.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

# 可视化预测结果
sns.regplot(x=y_test, y=y_pred)
plt.title('Linear Regression')
plt.xlabel('Actual Charges')
plt.ylabel('Predicted Charges')
plt.show()

注意：在运行代码之前，请确保将insurance.csv文件保存在正确的路径下，并且文件名正确。