糖尿病是一种严重影响人们身体健康的慢性疾病,根据世界卫生组织数据,全球患有糖尿病的成年人数量已经超过四亿,意味着平均来看每11个成年人当中大约就会存在1个糖尿病患者。过去几年里全球糖尿病患者数量处于持续增长的状态。妊娠期糖尿病是一种常见的糖尿病类型,是最初在妊娠期发现的糖代谢异常,其患病率也在逐年增高,给母体和胎儿的健康带来了极大的危害,因此妊娠期糖尿病的预防和预测工作越来越有必要。当今机器学习算法和数据挖掘技术在医疗健康方面的研究和应用越来越广泛,同时也越来越深入。目前已经有研究人员使用统计学习和数据挖掘相关算法来对某些疾病的患病因素进行分析,对患病风险进行预测。不过在应用医疗数据建模进行疾病预测和病因分析时,往往会遇到数据异常值多、缺失值多、样本数量不充足、正负样本不平衡等问题,以往的预测诊断模型在处理这类数据时预测的准确性尚不能满足实际需求。集成学习是一种擅长处理企业真实数据的算法,通过对基础模型进行组合,把弱学习器集成为强学习器,比单一算法具有更好的泛化能力。本文利用含有体检指标、生理信息和基因信息的1200条真实医疗数据,基于多种集成学习算法建立孕妇患妊娠期糖尿病的风险预测模型,以提高模型预测能力为主要目标,进行的主要研究工作如下:一是通过数据预处理及特征选择确定了本文的预测模型所需要的特征。首先对特征的缺失值用null填充,同时对连续型特征进行等距离分割,计算每个特征的Ⅳ值,用以表示单一特征的重要性,对特征的重要性从大到小排序,结合前向搜索算法进一步确定最优特征子集,最终筛选出TG、孕前BMI、VAR00007、AST、SNP37、SNP20、年龄、SNP11、SNP46、SNP53、SNP31、SNP43、孕次、SNP40、收缩压、SNP3、hsCRP、SNP6、wbc、舒张压、SNP5、SNP35、SNP52、SNP34和Cr共25个特征。代入后续的预测模型中。通过特征选择减少了无用的和作用很小的特征对模型的干扰,降低过拟合风险,提高了模型的泛化性能。二是应用简单平均法和Stacking算法进行模型融合提升了模型预测能力。首先建立了 Logistic回归模型、决策树模型、随机森林模型、AdaBoost模型以及GBDT模型,对每个模型进行超参数优化,并对调参前后模型性能进行比较。然后对调参后的最优模型分别用简单平均法和Stacking算法建立混合模型以提高模型预测能力,最后对所有模型的表现进行比较分析。分析发现,决策树、Logistic回归等单一模型在处理缺失率高、异常值多的医疗数据时会由于过拟合等问题表现不佳,集成学习模型对高缺失、质量差的医疗数据的拟合效果要优于决策树、Logistic回归等单一模型。集成学习中性能最优的是GBDT,其AUC值及F1值皆最高,精度与随机森林相等。在最后的模型融合方面,用简单平均法融合3个集成模型后,模型性能优于任何基学习器。以决策树、随机森林、AdaBoost、GBDT为初级学习器,以Logistic回归模型为元学习器建立Stacking混合模型,进一步提高了模型预测能力。Stacking模型的AUC值比GBDT模型提升了 0.04,F1值提升了 0.04,精度提升了 0.05,Stacking混合模型在提高妊娠期糖尿病预测模型预测能力方面起到了一定的积极作用。本文的研究对于医生诊断决策可以起到一定的辅助支持作用,减少医生在诊断妊娠期糖尿病时的误诊概率,同时也进一步丰富了集成学习算法在医疗领域的应用。