Classification Obesity Risk Groups

개요

• 경희대 데이터마이닝 텀프로젝트

  • 제출한 보고서

• “체중이 증가하는 사람들의 특징들을 파악해 이를 바탕으로 사전에 비만 위험군을 분류할 수 있다” 라는 가설을 세우고 이를 증명하는 분석을 수행함

• 국민건강영양조사 데이터의 "모름" 응답 값을 대체하는 경우, 성능에 어떤 영향을 주는지 두 번의 실험을 통해 비교함

EDA

• 사용 데이터: 국민건강영양조사(2016, 2017, 2018)

• 전국민을 대상으로한 설문조사 및 검사 결과로 numerical variable과 categorical variable이 섞여 있음.

  > dim(dm_df)
  [1] 7992  737

• 국민건강영양조사 데이터에는 "모름" 응답 값이 존재하며 변수에 따라 값이 달라짐.

• 본 분석에서는 2016~2018 년도 데이터의 공통 변수들만을 분석에 사용함

  • integration.r

과정

전처리

• 반응 변수 danger 생성

  • 본 분석의 반응 변수는 정상 체중을 가진 사람이 1년 사이 비만이 되었다면 위험군, 정상 체중을 유지했다면 정상군으로 분류
  • 현재 체중 변수(HE_wt)와 1년간 체중 증가량 변수(B01_3)로 비만 표본들의 과거 체중 변수(past_wt)를 생성
  • 이를 바탕으로 과거에 정상군이었지만 현재 비만인 경우를 위험군(danger=1)
  • 현재와 과거 모두 정상 체중인 표본을 정상군(dagner=0)으로 정의

• "모름" 데이터 처리

  • "모름" 변수 값을 조사함
  • 범주형인 경우에는 최빈값으로, 수치형인 경우에는 평균값으로 대체

• 혼동 변수 제거

  • 해당 값이 일정한 패턴이 없는 문자열 값인 경우 (예: 구강 진료를 받지 못한 상세 이유)
  • 비만 유병여부, BMI, 혈당과 같은 신체 상태와 관련된 변수들(변수명에 "HE" 포함됨)
  • 설문조사 가중치 값(변수명에 "wt"가 포함됨)
  • 결측치가 2000개 이상 존재하는 변수

  dim(cleaned_data)
  [1] 7626  477

• 랜덤 언더샘플링, 628개로 클래스 불균형 해결

모델링 및 평가

• 8:2로 훈련, 테스트 데이터 세트 구성
• 전진 선택
  • 선택된 변수들로 VIF 계산, 다중공선성 확인
• lasso 로지스틱 회귀 모형
• 10-fold 교차검증
  • loss: AUC
  • 1-표준편차 범위에서 최적의 lambda 선택
• confusion matrix
  • 정확도, 민감도, 특이도 계산
• ROC Curve
  • AUC 계산

결과

"모름" 응답 값 대체 이전

• 전진선택 이후 22개 변수에서 다중공선성이 나타남

• Confusion Matrix

  	Predictive Positive	Predictive Negative
  Actual Positive	73	52
  Actual Negative	44	81

  • 정확도: 0.616, 민감도: 0.624, 특이도: 0.610

• ROC Curve

  
  • AUC: 0.703

"모름" 응답 값 대체 이후

• "모름 데이터를 처리한 경우 전진선택을 했을 때 VIF 값이 10을 넘는 변수가 없었음.

• Confusion Matrix

  	Predictive Positive	Predictive Negative
  Actual Positive	81	44
  Actual Negative	41	84

  • 정확도: 0.66, 민감도: 0.664, 특이도: 0.656

• ROC Curve

  * AUC: 0.722