面向生命 expectancy 预测的可解释机器学习：线性回归、决策树与随机森林的比较研究

生命 expectancy 是人口健康与社会经济福祉的基本指标，但由于人口、环境与医疗因素的相互作用，准确预测仍具有挑战性。本研究使用来自世界卫生组织（WHO）和联合国（UN）的真实数据集，评估了三种机器学习模型——线性回归（LR）、回归决策树（RDT）和随机森林（RF）。在处理缺失值和数据不一致性后，对每个模型的性能进行了 $R^2$、平均绝对误差（MAE）和均方根误差（RMSE）评估。结果表明，RF 达到了最高的预测准确率（$R^2 = 0.9423$），显著优于 LR 和 RDT。通过 p 值（针对 LR）和特征重要性指标（针对基于树的模型），优先考虑可解释性，揭示了疫苗接种率（狮鬃氏鼻疫、水痘）和人口学属性（HIV/AIDS、成人死亡率）是生命 expectancy 预测的关键驱动因素。这些发现凸显了集成方法与透明度在应对公共卫生挑战方面的协同作用。未来研究应探索更先进的插值策略、替代算法（如神经网络）以及更新后的数据，以进一步细化预测准确率，支持全球卫生领域基于证据的政策制定。