近年来,我国的医疗信息化水平处于快速发展时期。各类临床数据包括居民的健康数据、临床试验数据、医学检验检查数据等数据的快速增长迎来了医疗行业的大数据时代,基于大数据技术的医疗改革大幕也就此拉开。因此从数据挖掘角度去探索医学数据的内在规律,对医学研究和疾病诊断具有极高的价值。本文主要研究的是三类机器学习算法的比较以及在智能医学领域辅助诊断方面的探索研究,比较了决策树、GBDT、XGBoost算法在计算机辅助诊断中应用。文章根据过敏性鼻炎的医疗数据,构建了基于XGBoost算法的过敏性鼻炎辅助诊断分类预测模型,并将基于该类算法过敏性鼻炎智能辅助平台应用到实际的诊疗工作中,提高了诊断的准确率,减轻了医生的诊疗负担。文章具体工作如下:本文首先研究了对医疗数据具有良好分类效果的决策树算法,GBDT算法以及XGBoost算法,比较了几类算法的优缺点。然后将医疗辅助诊断问题转化为分类问题,建立辅助诊断模型。为保证数据能够适用于模型,在数据收集与整理过程中对数据进行了预处理,特征做了扩充。在分析数据结构特点后,本文选取了XGBoost算法对过敏性鼻炎数据进行探索,进而建立了过敏性鼻炎辅助诊断智能平台。为验证基于XGBoost算法的过敏性鼻炎辅助诊断分类预测模型的优势,文章首先选取了R语言中自带的两组数据集分别对三类算法的预测模型进行准确度,精确度,召回率及运算时长等方面的对比研究。经过对比表明,XGBooost算法是更适用于过敏性鼻炎辅助诊断模型的分类算法。最后,本文设计了一个基XGBoost算法的过敏性鼻炎辅助诊断智能平台,通过该平台,可进一步实现过敏性鼻炎的辅助诊断,将理论研究转化为实际应用,并且在实际的应用中效果良好。