GBDT算法是一种基于决策树的集成算法,多年来GBDT以其独有的特点和优势成为机器学习中应用广泛的算法之一。该算法能适应多种损失函数,既可用于分类也能用于回归预测,而且能够进行混合数据类型的自然处理。随着大数据、人工智能的快速发展,收敛速度、计算精度以及能否处理大规模数据已经成为衡量算法实用性的重要标准。基于此,对原有算法的进一步优化具有很大的实际意义。本文在基于GBDT数据分类方法的基础上,提出了基于GBDT的参数动态调整分类算法。该算法从特征提取和模型参数两部分对GBDT分类算法进行优化,不仅较好的解决了过拟合问题,还提高了数据分类的准确率。本文主要做了以下工作。1.研究数据特征提取方法,寻找合理的缺失数据填补原则。首先,提出了“双向综合填补法”用于数据缺失值的填补;然后,分别采用客观赋权法和主成分分析法进行特征提取,并比较两种方法下的GBDT分类算法和GBDT参数动态调整分类算法分类准确率;最后,分析了两种方法处理混合型数据的能力,结论是经过主成分分析法进行特征提取的GBDT分类算法处理混合型数据的能力更强。2.对GBDT分类算法的模型参数进行优化。在GBDT分类算法的基础上进行参数优化,提出了GBDT参数动态调整分类算法。该算法可在给定参数范围内通过对全部参数值进行迭代寻优,进而确定在满足精度条件下的参数值。3.利用本文的理论研究结果进行实证研究。将GBDT参数动态调整分类算法应用于妊娠糖尿病的诊断预测中,得到比较满意的预测结果;通过与经典GBDT分类算法的预测结果进行对比分析,从而验证了本文研究结果的合理有效性。利用GBDT参数动态调整分类算法对妊娠糖尿病数据进行分类,实验结果表明,改进后的算法较经典的GBDT分类算法的分类准确率最多可提高21.5%。