目的 (1)针对医疗数据不平衡的特点,以代谢综合征为例,通过比较单纯决策树与AdaBoost+决策树分类代谢综合征的性能,从而确定AdaBoost+决策树在医疗不平衡数据挖掘中的优点,为计算机辅助诊断代谢综合征提供方法学参考。(2)采用决策树探讨代谢综合征的影响因素。方法采用AdaBoost平衡代谢综合征数据,并比较数据平衡前后决策树建模的性能,采用F-value,G-mean和AUC分析评价模型。结果 (1)相较于单纯决策树,AdaBoost+决策树的F-value值提高6.3%,G-mean提高3.5%,AUC提高0.4%,分别表明采用AdaBoost+决策树分类代谢综合征患者识别的性能提高6.3%,数据整体的分类精度提高3.5%;模型的综合分类能力提高0.4%。(2)探讨决策树影响因素均显示:空腹血糖、高密度脂蛋白、收缩压、年龄、体重指数是代谢综合征的主要影响因素。此外,在本研究中,决策树提示:若FPG>6.02,BMI>24.99,SBP>139,age≤46,则患有代谢综合征;若FPG≤6.02,HDL-C≤0.99,BMI≤24.99,age≤61,则不患代谢综合征。结论采用AdaBoost+决策树的性能优于决策树,使用决策树所得结果与相关专业研究中代谢综合征影响因素相同。