第４６卷第２期重庆大学学报Ｖｏｌ．４６Ｎｏ．２２０２３年２月ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙＦｅｂ．２０２３ｄｏｉ：１０．１１８３５／ｊ．ｉｓｓｎ．１０００－５８２Ｘ．２０２３．０２．０１０基于ＸＧＢｏｏｓｔ模型的营养成分分析高血压预测方案蒋淮䶮１，谭浪２，李时杰１，刘昱１，王峻峰３（１．天津大学微电子学院，天津３０００７２；２．北京智芯微电子科技有限公司，北京１０２２００；３．云南省第一人民医院，昆明６５００３１）收稿日期：２０２０－０７－０９网络出版日期：２０２１－１２－２２基金项目：国家自然科学基金资助项目（６１７７１３３８）；云南省重点研究资助项目（２０１８ＩＢ００７）；天津市科技计划项目重大专项资助项目（１８ＺＸＲＨＳＹ００１９０）。ＳｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６１７７１３３８），ＫｅｙｒｅｓｅａｒｃｈｐｌａｎｏｆＹｕｎｎａｎＰｒｏｖｉｎｃｅ（２０１８ＩＢ００７）ａｎｄＭａｊｏｒＳｐｅｃｉａｌＰｒｏｊｅｃｔｏｆＴｉａｎｊｉｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｌａｎ（１８ＺＸＲＨＳＹ００１９０）．作者简介：蒋淮䶮（１９９４—），女，硕士研究生，主要从事机器学习方向研究，（Ｅ－ｍａｉｌ）ｊｉａｎｇｈｙａｎ＠ｔｊｕ．ｅｄｕ．ｃｎ。通信作者：王峻峰，男，云南省第一人民医院，主任医师，主要从事临床医学方向研究，（Ｅ－ｍａｉｌ）１８９８７１７３６０５＠ｑｑ．ｃｏｍ。摘要：高血压是一种常见的慢性病，若能早发现、早采取措施可降低其引发并发症的风险。尽管高血压的产生与发展与诸多因素有关，但饮食被公认为影响高血压的主要因素之一。机器学习模型可以对疾病进行有效预测，并提供辅助治疗。笔者提出一种基于ＸＧＢｏｏｓｔ的通过分析营养成分预测高血压的方案，该方案由数据转换、特征选择、数据清理与标准化、模型搭建、分类与评估５部分组成。实验结果表明，ＸＧＢｏｏｓｔ在高血压预测中获得了０．８５９的Ｆ１分数且准确率超过８５％，高于随机森林、支持向量机与人工神经网络。此外通过分析不同营养成分对高血压预测的影响因素，获得了影响高血压的前１０个营养特征，大部分与医学结论相同，验证了模型的有效性。关键词：机器学习；高血压预测；营养成分分析；极端梯度提升中图分类号：ＴＰ１８１；Ｐ３１５．６９文献标...
