随着人类生活水平的提高,人们越来越重视身体健康。近几年来,慢性肾脏病的突发率越来越高,连续性肾脏替代疗法(Continuous Renal Replacement Therapy,简称CRRT)为治疗此疾病的首选方法。CRRT手术治疗法是通过持续血液净化的方式来替代受损的肾功能,在持续血液净化过程中,主要注射的是肝素剂量。现阶段,肝素剂量的注射量主要是根据医生的经验来断定的,这对医生的经验要求很高,难免会出现判断失误,这样不仅会浪费宝贵的医疗资源,还会使病人承受不可预知的风险。所以为了减少医生的主观误判,本文利用机器学习的相关算法,探索出一种回归模型来预测CRRT手术中的肝素剂量,以此来协助医生做出正确的决策。具体研究内容如下:首先,针对给定的样本集,进行数据预处理。针对完全相同的行数据集进行去重,目的是减少以后对其数据集学习的时间;针对缺失值处理,采用均值填充法进行插补缺失值;针对数据进行标准化处理,采用的是z-score算法和范围缩放算法。其次,针对预处理后的数据集,采用遗传算法和随机森林算法相结合的方式,进行特征提取。针对数据特征提取,采用z-score算法和范围缩放算法分别对数据进行标准化处理,并分别进行11次实验,最终从22个属性中选出18个重要属性用于后续的模型预测。针对不平衡数据处理,采用EasyEnsemble算法和SMOTE算法相结合的组合抽样法。最后,针对模型的选择,采用回归模型。在模型训练之前,针对目标变量即肝素剂量,采用取ln变换对其进行优化,并通过实验对比验证对肝素剂量进行优化,能使模型拟合效果更加好一些。在训练模型的时候,用决策树回归模型、支持向量回归模型和梯度提升回归模型分别对原始数据集和经过EasyEnsemble算法和SMOTE算法处理过的数据集进行实验,并通过对比模型评价指标平均绝对值误差、均方误差和R的平方,最终得出在不平衡数据集处理后,选择梯度提升回归模型来预测CRRT手术中的肝素剂量。