2.2.5 智能步数预测模型开发与测试

工作任务

随着健康意识的增强，越来越多的人开始使用智能设备跟踪自己的日常活动。准确预测每日步数对于用户来说至关重要，因为它可以帮助他们更好地管理健康状况，设定合理的运动目标，并提高生活质量。

现要求根据提供的预处理好的 fitness analysis 数据集，补全 2.2.5.ipynb 代码。选择合适的特征，开发一个步数预测模型，对用户未来一段时间内的每日步数进行预测。利用测试工具对模型进行测试，并对测试结果进行分析。

具体要求

（1）正确加载数据集，并显示前五行的数据。

（2）使用决策树模型，设定自变量和因变量（设定 daily_steps 为目标变量），进行模型训练，将训练好的模型保存为 2.2.5_model.pkl，结果保存为 2.2.5_results.txt。

（3）使用测试工具对模型进行测试，并记录测试结果，保存为 2.2.5_report.txt。

场地设备要求

（1）人工智能训练师主机 1 台

（2）Python 编译环境

（3）fitness analysis 数据集

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 17

In [1] — 导入库 & 加载数据 2分

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeRegressor import pickle from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 加载数据集 1分 df = # 显示前五行数据 1分 print()

In [2] — 特征选择与目标变量 2分

# 选择相关特征进行建模 X = df[['Your gender ', 'How important is exercise to you ?', 'How healthy do you consider yourself?']] X = (X) # 将分类变量转为数值变量 # 设置目标变量 1分 y =

In [3] — 数据划分与模型训练 5分

# 将数据集划分为训练集和测试集（测试集占20%） 2分 X_train, X_test, y_train, y_test = (, random_state=42) # 创建并训练决策树回归模型 1分 = (random_state=42) # 训练决策树回归模型 1分

In [4] — 保存模型与预测 2分

# 保存训练好的模型 1分 with open('2.2.5_model.pkl', 'wb') as model_file: pickle. # 进行预测 1分 y_pred =

In [5] — 保存结果与测试报告 6分

# 将结果保存到文本文件中 2分 results = pd.DataFrame({'实际值': y_test, '预测值': y_pred}) results_filename = '2.2.5_results.txt' (, index=False, sep='\t') # 将测试结果保存到报告文件中 report_filename = '2.2.5_report.txt' with open() as f: f.write(f'均方误差: {}\n') f.write(f'平均绝对误差: {}\n') f.write(f'决定系数: {}\n')

人工智能训练师（三级）实操考试 — 2.2.5 智能步数预测模型开发与测试