当脑血管突然破裂或者由于血管堵塞造成部分血液不能流向大脑时,就会引起脑卒中。没有血液供应,脑细胞会逐渐死亡,进而大脑区域会受到影响并致使残疾。若能早期识别卒中症状,并且及时地进行干预治疗,那么对于提升患者的治疗效果以及减少患者伤残率都有重要的意义。为此本文选取了部分机器学习算法来构建脑卒中预测模型,为预测脑卒中发生风险设计了一个优异的框架,用以辅助医生进行诊治决策,期望能最大化实现对患者病情的早期预防和治疗。本文研究的主要内容如下:基于重采样方法的数据平衡。首先,对healthcare-dataset-stroke-data公开脑卒中数据集进行数据预处理,包括数据清理、均值填充、数据规范,采用两种重采样方法解决脑卒中数据集的数据不平衡问题。确定十个特征指标作为机器学习算法模型的输入,中风特征指标作为机器学习算法模型的目标预测类别。将采用欠采样和过采样方法处理后的平衡数据,分别输入到支持向量机、随机森林、逻辑回归算法构建的脑卒中预测模型中,并且,比较分析两种重采样方法优化前后的预测结果。试验结果表明,平衡后的数据明显提升了预测模型的分类性能,且SMOTE算法处理后的数据在分类预测模型中的准确率、精确度、召回率和ROC值都是最高的。基于机器学习算法构建脑卒中风险预测模型。采用部分机器学习算法构建一个堆叠（Stacking）算法模型,将优化后的数据集输入到支持向量机、随机森林、逻辑回归和堆叠算法模型中对疾病风险进行预测。从实验结果可以看出,Stacking-SMOTE算法预测模型的准确率、精确度、ROC值都比单一分类器算法预测模型更优。并且将本研究的结果与相同数据集下的研究结果进行了比较,本研究的方法明显优于其他研究方法的分类性能。此外,Stacking算法利用可解释机器学习技术来理解模型对临床预测的适用性,可以揭示预测结果背后的原因。深度学习算法和经典机器学习算法在预测卒中风险时的性能对比。首先对公开的The International Stroke Trial数据集进行数据预处理,然后采用几种深度学习方法和机器学习方法分别构建卒中风险预测模型,并将它们的预测结果进行比较,最后分析得出结论:深度学习算法在脑卒中风险预测方面的性能并不优于经典机器学习算法。