health-insurance

Mini-progetto di ML su dati clinici: regressione delle spese sanitarie individuali (dataset Medical Cost Personal) con pipeline riproducibile, baseline e app Streamlit.

Predice charges (spesa sanitaria annua, USD) a partire da variabili demografiche e di stile di vita: età, sesso, BMI, numero di figli, status di fumatore, regione. Nato dalla rielaborazione di un vecchio esercizio, è ristrutturato secondo lo standard del portfolio (uv + src/ + test + CI + pipeline riproducibile).

Cosa dimostra

• Pipeline scikit-learn senza leakage: preprocessing (one-hot sulle categoriche, scaling sulle numeriche) incapsulato nella Pipeline, appreso solo sul train.
• Confronto contro baseline: ogni modello è misurato contro un DummyRegressor(strategy="mean"), così il guadagno è quantificato e non solo asserito.
• Riproducibilità: seed fissi, uv.lock versionato, dati mai committati ma scaricabili in modo idempotente.
• Test offline: la suite gira su un dataset sintetico con ground truth nota, quindi la CI non richiede rete.

Pipeline

download_data.py         train.py
   (data/insurance.csv)     |
        |                    v
        |            load_insurance ──> split train/test (seed=42)
        v                    |
   [ dati grezzi ]           v
                    ColumnTransformer (one-hot + scaling)
                             |
              ┌──────────────┼───────────────┐
              v              v                v
        baseline_mean   LinearRegression  RandomForest
              └──────────────┼───────────────┘
                             v
                 metriche (R2, RMSE, MAE) ──> results/metrics.json
                             + figure ──────> results/*.png
                             |
                             v
                    app Streamlit (app/main.py)

Dataset

• Nome: Medical Cost Personal Dataset (insurance.csv), 1338 righe.
• Target: charges (spesa sanitaria annua in USD).
• Feature: age, sex, bmi, children, smoker, region.
• Fonte: dataset del libro Machine Learning with R (Brett Lantz), redistribuito pubblicamente nel repository stedy/Machine-Learning-with-R-datasets.
• Licenza dati: il dataset ha termini propri (vedi la fonte); il codice di questo repo è MIT. I dati non sono committati: si scaricano con lo script fornito in data/ (gitignored).

Come eseguire (uv)

uv sync --extra dev                          # crea .venv (Python 3.12) e installa tutto
uv run python scripts/download_data.py       # scarica insurance.csv in data/ (idempotente)
uv run python scripts/train.py               # addestra, valuta, scrive results/
uv run ruff check .                          # lint
uv run pytest -q                             # test (offline, dati sintetici)
uv run streamlit run app/main.py             # app che mostra metriche + figure

Risultati

Metriche sul test set (20% dei dati, seed=42), da results/metrics.json:

Modello	R2	RMSE (USD)	MAE (USD)
baseline (media)	-0.001	12466	9593
Linear Regression	0.784	5796	4181
Random Forest	0.863	4609	2529

Il Random Forest è il modello migliore: cattura le non linearità e l'interazione fumo×BMI. Entrambi i modelli battono nettamente la baseline (R2 ≈ 0), che rappresenta il "non predire nulla di utile".

Figure generate in results/:

• eda_charges_by_smoker.png — le spese dei fumatori sono nettamente più alte (segnale dominante).
• pred_vs_true.png — predetto vs reale del modello migliore.

Limiti

• Dataset piccolo (1338 righe) e sintetico-realistico nella struttura: i risultati sono didattici, non clinicamente attuabili.
• Nessun tuning sistematico degli iperparametri né validazione incrociata annidata: si confrontano modelli con impostazioni ragionevoli di default.
• charges è fortemente asimmetrica e guidata dallo status di fumatore; il resto delle feature spiega una quota residua di varianza.
• Nessuna nozione di equità/bias: variabili come sex e region sono usate solo a scopo predittivo dimostrativo.