Predicción de Costos Médicos empleando Regresión

Este proyecto analiza un dataset de seguros médicos obtenido de Kaggle para predecir costos médicos individuales facturados por seguros de salud. El dataset incluye variables como edad, sexo, IMC, número de hijos o dependientes, estado de fumador, región y costos médicos. El objetivo es construir modelos de regresión que predigan con precisión los costos médicos basados en estas características.

Estructura del Proyecto

1. Exploración de datos:
   • Carga y revisión del dataset.
   • Conversión de variables categóricas a numéricas.
   • Visualización de distribuciones y correlaciones entre variables.
2. Modelos de Regresión:
   • Regresión Lineal: Modelo base para predecir costos médicos.
   • Regresión Polinomial: Modelo mejorado para capturar relaciones no lineales.
3. Análisis Segmentado:
   • Dos modelos separados, uno para fumadores con IMC entre 15-30 y otro para el resto de los casos (no fumadores o personas con IMC > 30).
   • Incorporar una variable categórica al dataset original que clasifique los datos en la segmentación mencionada en el punto anterior.
4. Evaluación:
   • Comparación del rendimiento de los modelos usando puntuaciones R² y MSE.

Hallazgos Clave

• Estado de fumador: Es el predictor más fuerte de los costos médicos. Los fumadores presentan costos significativamente más altos.
• Impacto del IMC: Un IMC alto (>30) combinado con el tabaquismo conduce a los costos médicos más elevados.
• Modelos Segmentados:
  • Al haber muy pocos datos para el subgrupo de fumadores con IMC 15-30, se presentó un subajuste tanto con la regresión lineal como con la polinomial.
  • Para no fumadores o aquellos con IMC > 30, la regresión lineal fue suficiente.
• Agregar la variable category: Mejoró el desempeño del modelo, indicando que es importante la relación entre las variables smoker y bmi.

Resultados

• Usando todos los datos:
  • Regresión Lineal:
    • R² (Entrenamiento): 0.74
    • R² (Prueba): 0.78
  • Regresión Polinomial:
    • R² (Entrenamiento): 0.85
    • R² (Prueba): 0.85
• Agregando la variable category:
  • Regresión Lineal:
    • R² (Entrenamiento): 0.85
    • R² (Prueba): 0.88
  • Regresión Polinomial:
    • R² (Entrenamiento): 0.87
    • R² (Prueba): 0.87

Conclusión

Agregar una variable categórica que segmenta los datos en subgrupos (fumadores con IMC 15-30 vs. no fumadores o IMC > 30), fue la mejor estrategia para obtener el mejor modelo. La regresión polinomial fue la que obtuvo los mejores resultados, indicando que hay patrones no lineales en los datos.

Archivos Disponibles

• medical_cost_regression.ipynb: Jupyter Notebook con el análisis completo (exploración, modelado y visualización).
• insurance.csv: Conjunto de datos en formato CSV.

Autora

Yamile Montecinos: @yamilemr