近年来,随着信息技术、计算机技术及互联网的快速发展,各个社会领域均积累起了规模庞大的数据。这时候传统的统计分析方法就暴露了它的局限性。如何在这么大规模的数据里面挖掘有用的信息成了各行各业所研究的问题。机器学习是解决数据挖掘问题的主要方法之一。机器学习是一种利用系统本身进行自我改进的过程,使计算机程序能随着经验的积累自动提高性能。虽然现在这些算法还不足以使得机器像人类一样思考,但是在很多领域已经得到了突破性的进展。尤其在医疗数据行业,更是显示了机器学习算法的非常大的优越性。本文主要介绍了四种机器学习算法,分别是k近邻、决策树、支持向量机和随机森林,并将这四种算法应用在慢性肾病的数据上。通过参数的优化建立各自的统计分类模型,然后通过交叉验证比较这四种模型在该数据上的误判率,发现这四种机器学习算法在医疗数据判别上的误判率都很低,其中随机森林的误判率最低为0.0025,所以最后选择最优的随机森林模型对慢性肾病数据进行分析预测。