国际糖尿病方面的研究成果表明,近年来糖尿病发病率呈现不断的上升趋势。随着人工智能的不断进步,医疗保健数字化进程加速推进,基于集成学习技术研究糖尿病发病机制和早期预防具有重要的现实意义。在国内外糖尿病预测研究成果的基础上构建相关模型:利用统计学和集成学习分析电子病历中各项指标与血糖水平的关系;利用集成学习进行血糖值预测;利用优化算法的集成学习进行糖尿病分类。具体研究内容如下:1)针对糖尿病发病机制复杂等问题,提出血糖水平相关性分析模型。该模型包括皮尔逊相关性检验和集成学习特征重要性评估。皮尔逊相关性检验用于分析各项指标与血糖值的显著相关性,集成学习特征重要性评估用于分析各项指标对血糖值的重要程度。结果表明血糖水平受多个器官影响并与各项指标密切相关。2)针对单一模型预测精度低等问题,提出基于Stacking融合的血糖预测模型。选择Boosting系列的集成模型和支持向量回归作为血糖预测模型的第一层,选择线性回归作为血糖预测模型的第二层,对第一层中的基模型使用随机搜索和网格搜索进行超参数选取。结果显示,进行超参数选取的Stacking融合模型预测误差较低,优于其它先进模型,其均方误差和解释方差分分别为0.3774和0.1311。3)针对集成模型超参数多、调参复杂等问题,提出灰狼优化的梯度提升决策树分类模型。该模型基于UCI平台提供的糖尿病患者常见的症状数据进行分类,使用灰狼优化算法对集成模型中的超参数自动选取。结果显示,经过灰狼优化的分类模型,准确率为0.9941,优于其它调参方法,进一步表明患者的早期症状可以作为糖尿病早期预防的主要依据和参考。图26幅;表11个;参67篇。