心脏病作为我国居民身体健康的头号杀手,受到我国居民的广泛关注。人们为了追求健康,对于医疗系统提出了越来越多的要求,这就对医生的工作效率提出了新的要求。而目前的医生更多的是通过自身的临床经验来面对面的提供医疗服务,是一种效率比较慢的工作方式。随着大数据与机器学习等人工智能技术的发展,学科交叉研究兴起,机器学习应用于医疗诊断领域成为研究热点。在这个研究中,我们逐渐找到了一种可以辅助医生诊断的方法,即医疗专家系统。本文即旨在找到一种在心脏病分级诊断领域准确高效的辅助诊断方法。本文首先采用了两种寻优算法,即遗传算法与基于属性重要度的启发式算法,对心脏病数据集进行属性约简。之后我们又将这两种寻优算法与粗糙集理论进行融合,再次进行属性约简,并与未融合粗糙集理论之前的约简结果进行比较,找到一种准确有效的属性约简路径。之后我们采用约简效果最好的属性集合作为进一步分类实验的基础,并且采用三种分类算法,即支持向量机(SVM)、逻辑回归(LR)与朴素贝叶斯(NB)算法,对数据集进行分类,找到最为适配该数据集的分类方法。本文共进行了两部分实验,第一次是解决患者是否患有心脏病这一二分类问题,采用的数据集中未患病的数据共有385条,患病的数据共有460条。第二次则是对患病数据进行分级诊断预测实验,通过筛选和补充数据后,心脏病数据按照罹患心脏病的风险大小分为四级,每级心脏病拥有120条数据。最终的实验结果显示,在心脏病诊断预测问题中,融合粗糙集后的遗传算法表现更好,但在心脏病的分级诊断预测问题上,融合粗糙集后的基于属性重要度的启发式算法表现更好。其中在心脏病诊断预测中,使用融合粗糙集的遗传算法相较传统的遗传算法的约简结果,其分类结果的敏感性和特异性分别提高了 2.1%和1.3%。在心脏病的分级预测中,基于属性重要度的启发式算法在融合粗糙集后,其约简属性集合的分类效果的敏感性和特异性则分别提高了 5.2%和2.3%。这充分说明了融合粗糙集的策略在特征约简上是一种成功的策略。最后,我们对心脏病的诊断预测与分级诊断预测中均出现的最佳约简结果使用三种分类算法进行分类。结果显示,在心脏病的诊断预测中,支持向量机算法的表现最好,其分类敏感性和特异性分别达到了 90.8%和96.1%。在心脏病的分级诊断预测中,朴素贝叶斯算法的分类结果最好,其敏感性和特异性分别达到89.1%和 96.2%。