集成学习的研究是近几年机器学习领域的热点。虽然集成学习模型具有准确率高的特性,但是对复杂问题的表示能力有限,使其泛化能力受到制约。深度学习因其较强的表示能力在复杂问题中取得较好预测的效果。因此,融合深度学习和集成学习的思想,本文设计并改进一种深度梯度提升模型,以此提高对于复杂问题的学习能力。脑卒中已经成为危害我国居民生命健康的众多疾病之一。调查显示,脑卒中的死亡率为127.2/10万。当前的脑卒中诊断方法主要通过人工的方式进行,诊断难度大且过程复杂。因此利用已有的真实脑卒中数据,以深度梯度提升模型为基础建立脑卒中风险预测模型,对于完善脑卒中的诊断与预防体系、促进医疗资源的优化配置具有重要的意义。本文的工作包括以下三方面:(1)设计并改进一种深度梯度提升模型。深度梯度提升模型的输入层用于进行特征提取,以多个随机子空间训练输入层学习器,将输入层结点划分为多个并行化任务提高输入层运行效率;隐层用于特征抽象,根据邻近层学习变化率自适应层数,并将原始特征与各层输出进行堆叠以不丢失原始特征信息;输出层以学习法策略进行结合,输出最终预测结果。本文首先将深度梯度提升模型与传统的个体模型、浅层集成模型进行在不同数据集上的性能对比实验,证明了深度梯度提升模型的性能优越性。然后对深度梯度提升模型进行参数敏感性分析,得到了能使得预测结果相对较优的参数取值区间。最后使用并行化训练输入层结点的方式,提高输入层的运行效率。(2)将深度梯度提升模型用于脑卒中真实预测。导致脑卒中的发病原因较多,不同防治等级下的脑卒中诊断与评估方法也有所不同。本文对不同类型的脑卒中的发病原理、临床表现和不同防治等级下的诊断评估方法进行了研究,并以真实脑卒中数据集为基础,训练深度梯度提升模型,用于对脑卒中风险等级分类和中等以上危险人群进行脑卒中风险指数预测。(3)设计并实现了脑卒中风险预测原型APP。本文基于所得到的脑卒中风险等级分类和风险指数预测模型建立了脑卒中风险等级预测原型APP。该APP可根据所输入的基本检查信息、生活信息、病史信息、用药信息、饮食信息和体格信息预测脑卒中的发病风险等级和风险指数,并根据所得预测结果进行图形化展示。