冠心病发病人数持续增加,发病年龄不断前移,现有筛查方法存在一定的局限性,使得冠心病患病风险预测和个人冠心病患病风险因素识别越来越被人们所关注。通过机器学习模型对冠心病患病风险进行预测和居民个人患病风险因素识别有助于尽早筛查出冠心病患者,尽早治疗,降低冠心病给个人和家庭带来的危害,也有利于居民进行日常的健康管理。在学习现有机器学习算法的基础上,以尽可能多的识别出冠心病患者为目的,针对冠心病预测具有的数据分布不平衡、预测错误代价不同的特点,对AdaBoost模型进行改进,并通过SHAP方法对改进后的模型进行解释,实现了对冠心病患病风险的预测和居民个人风险因素的识别。为了更好地构建分类模型,进行了如下工作。首先,在特征构建方面,针对诊疗数据采用关联规则挖掘的方法,识别出和冠心病相关的其他疾病,并将诊断次数作为特征加入模型中。其次,在数据处理方面,对现有数据进行预处理,按照8:2的比例进行训练集和测试集的划分,并在训练集上采用多种方法进行特征筛选。再次,在冠心病患病风险预测方面,针对不平衡数据集,改进了AdaBoost模型,并对比了该模型、现有的针对不平衡数据集改进模型和基于采样的其他机器学习模型表现。最后,在模型解释方面,采用SHAP方法,识别对预测冠心病患病风险的重要因素和各个因素的贡献方向,同时输出居民个人冠心病风险因素。结果表明,本文改进后的AdaBoost模型在召回率和AUC值上表现最优,相较于其他模型更适用于冠心病患病风险预测这一研究问题。对预测冠心病患病风险最重要的五个因素为曾诊断心肌缺血的次数、年龄、曾诊断高脂血症的次数、曾诊断高血压的次数和血清总胆固醇值。