共有两个数据集和一个源码文件（有问题可联系博主） 基于随机森林和XGBoost的肥胖风险多类别预测系统是一个利用机器学习算法对个体肥胖风险进行精准分类的先进工具。在现代社会，肥胖已成为影响人类健康的重要因素之一，与多种慢性疾病密切相关。因此，开发一个能够准确预测肥胖风险的模型具有重要的现实意义。 该系统采用随机森林和XGBoost两种集成学习算法，通过整合多个决策树或弱学习器的预测结果，实现了对肥胖风险的多类别预测。随机森林通过随机抽样和特征选择构建多棵决策树，利用多数投票原则得出最终预测结果；而XGBoost则通过梯度提升算法优化目标函数，不断迭代生成新的弱学习器，并将它们的预测结果加权求和，得到最终的预测值。 数据集方面，系统采用了包含多个特征（如年龄、性别、身高、体重、生活方式等）和肥胖风险类别标签的数据集。通过对这些数据进行预处理和特征工程，系统能够提取出与肥胖风险密切相关的关键信息，为模型训练提供有力的数据支持。 在源码实现方面，系统采用了Python编程语言，并借助了scikit-learn和xgboost等机器学习库。

有氧运动对肥胖小鼠棕色脂肪mRNA表达谱的影响，付鹏宇，龚丽景，目的：通过mRNA表达谱芯片筛选有氧运动前后肥胖小鼠棕色脂肪差异表达基因及通路，探究运动活化棕色脂肪机制。方法：30只雄性C57BL/6J�

麦冬多糖调控肥胖小鼠脂质代谢紊乱的代谢组学研究，王旭，朱云云，目的：本研究基于代谢组学手段探究麦冬多糖MDG-1干预膳食诱导肥胖(Diet-induced obesity, DIO )小鼠脂质代谢紊乱可能的作用机制；方法：36只�

大数据-算法-高出生体重和超重肥胖对儿童青少年血压影响的队列研究.pdf

肥胖的原因及危害讲座.pptx

营养不良与肥胖预防知识.pptx

肥胖的危害小知识介绍.pptx

营养不良与肥胖知识讲座.pptx

小儿肥胖症概要.ppt

Python测试肥胖数据，处理Obes-phys-acti-diet-eng-2014-tab.xls数据，得到拟合结果。