都承华 龚谊承，2△ 张冬阳

【提 要】 目的 透过众多的医学特征更准确地预测疾病指标，比如血糖值。方法 利用VotingRegressor优化Adaboost，将三种精度较高的学习器进行两种集成学习。其中，模型1是基于Adaboost视角集成三种精度较高的学习器(GBDT、KRR和SVR)；模型2在模型1的基础上引入VotingRegressor算法优化Adaboost得到Ada-VotingRegressor模型。结果 以血糖值的预测为算例，模型1的(均方误差，预测时间)在训练集和测试集分别为(0.006748，43059.072s)和(0.006826，32.123s)；模型2的(均方误差，预测时间)在训练集和测试集分别为(0.005256，306.688 s)和(0.005234，1.023 s)。结论 基于VotingRegressor优化Adaboost的模型2具有较高的预测精度和效率。

合理运用一些统计方法对疾病指标进行预测，有利于疾病的预防和控制，对我国人民群众整体的身体素质水平的提高具有重要贡献。在国内，糖尿病从十年前开始，一直高居国人十大死因第四位，到近期，因糖尿病诱发相关病变，占总死亡人数约8%，说明糖尿病已长期严重威胁国人健康与生命[1-3]。血糖浓度是反映病情状况的一个重要指标，本文拟采用Adaboost集成方法对血糖浓度进行预测，试图找到更加简单、高效的血糖预测方法。

资料与方法

1.资料来源

血糖数据来源于2017年天池精准医疗大赛(人工智能辅助糖尿病遗传风险预测)，由阿里云和青梧桐健康科技有限公司提供。

2.研究方法

(1)预测分析

模型1基于Adaboost视角集成GBDT、KRR和SVR三种精度较高的基础回归器(其中KRR、SVR结合GridSearchCV方法进行调参，为了简洁，将第i个基础回归器(basic regressor)简称为bri(br1=svr，br2=gbdt，br3=krr)；模型2在模型1的基础上引入可以将不同学习器更好融合的VotingRegressor算法优化Adaboost得到Ada-VotingRegressor模型。两个模型均采用Adaboost R2回归算法。……