传统的疾病诊断方法依赖于医生的经验水平和外部环境,误诊则可能带来无法挽回的后果。研究基于机器学习的疾病诊断预测模型,能够辅助提高疾病诊断的准确性,减少疾病诊断成本,减轻医生工作压力。随着疾病种类越来越多以及数据特征越来越复杂,使用单一分类器建立的疾病诊断模型已经不能保证决策的正确性。在机器学习算法中,考虑集成多种技术的方法,进一步提高分类预测模型的分类性能。本文引入动态权重的思想,同时将几种不同的分类器集成在一起,并针对数据的不平衡改变决策阈值,提出了CELEDAT算法。主要工作如下:使用单一的分类算法很难达到较为满意的分类预测结果,本文基于集成学习的思想,与大多集成学习算法集成同质分类器不同,选择了K近邻算法、决策树、支持向量机和逻辑回归四种不同的分类算法作为基分类器进行集成。针对传统的集成学习算法中确定基分类器的权重后是一成不变的,没有考虑到不同的样本数据与基分类器的适应性不同这一问题。引入动态权重的思想,根据测试样本与聚类得到的类簇的样本相似性以及各类簇与基分类器的权重,为每个测试样本分配不同的权重。对于疾病数据集中的数据不平衡问题,根据不同类别的样本数目,改变决策阈值,更新决策规则,得到最终的预测结果。将算法在UCI数据资源库上的多个疾病数据集上进行实验验证,并对实验结果使用G-mean、AUC、F1分数、正确率、灵敏度和特异度多种指标从多角度去对比分析模型的分类性能。对各种数据集的评价结果,进行了简单的可视化展示,更直观地对比分析各个算法模型的优劣。同时,将CELEDAT算法应用于实际的医学临床项目中,并进行验证。