基于多元线性回归的个人医疗保险费用预测完整代码

基于多元线性回归的个人医疗保险费用预测通常涉及收集相关的特征数据（如年龄、性别、健康状况指标、职业等），然后使用统计模型来估计保险费用。这里是一个Python（利用sklearn库）的基本示例，展示如何完成这个任务：

# 导入所需的库
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 假设我们有一个包含特征和标签的数据集df
data = pd.read_csv('health_insurance_data.csv') # 替换为你实际的数据文件路径

# 数据预处理，选择需要的特征X和目标变量y
X = data[['age', 'gender', 'BMI', 'preexisting_condition']] # 根据实际情况替换特征列名
y = data['insurance_cost']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("MSE:", mse)
print("R^2 Score:", r2)

#