郑 列，胡逾航

(湖北工业大学理学院， 湖北 武汉 430068)

我国心血管疾病患者绝大多数也是高血压患者[1]。高血压早期可能无症状，容易被患者所忽视，因此其早期排查与及时干预有着重要意义。谭恒[2]使用决策树算法对高血压发病风险进行预测；Pei[3]构建了基于支持向量机的高血压预测模型，讨论了环境因素和遗传因素对患原发性高血压的影响，并使用Laplace核函数对模型进行改进；赵书颖[4]探讨了中医症候和高血压之间的联系；Ren[5]使用双向长期短期记忆模型(BiLSTM)捕获电子病历中的文本信息，探讨高血压疾病对肾脏疾病的影响。龚军等[6]使用logistic、随机森林、神经网络等多种算法构建高血压风险分类模型，发现XGBoost模型的诊断精度最高。支持向量机和神经网络在处理非线性问题上都有其独特优势，然而支持向量机算法会随着数据规模的增大而计算变得低效。神经网络在建立模型时需要大量的参数，其输出结果通常难以解释，更适合对非结构化数据进行建模。本文使用LightGBM集成算法构建高血压风险预测模型。为了进一步提升模型性能，利用自适应粒子群算法对LightGBM算法进行优化，以精准定位高血压的致病因素，辅助医疗人员通过早期干预降低其发病率。

1 APSO_LightGBM模型

1.1 LightGBM模型

1.1.1梯度提升决策树梯度提升决策树(Gradient Boosting Decision Tree，GBDT)是一种以回归树为基学习器的集成算法。同时，它也是一个加法模型，即所有基学习器的线性组合作为其最终的结果。该算法可以用于解决回归问题与分类问题，其思想是在每次迭代中通过拟合负梯度作为残差的近似值来学习一个基学习器。……