长期以来,癌症一直是人类健康的重要威胁,肺癌的发病率和死亡率的增长情况在所有癌症病例统计结果中均排名前列。肺癌病人通常有伴随的细菌或者真菌感染。根据临床上的不完全统计,绝大多数肺癌患者最终死于病原感染期,死因多为感染并发症,只有极少数患者死于癌症本身。感染原类型的诊断是治疗感染并发症的关键。现阶段临床上的细菌学检验方式主要可分为血液及骨髓标本的细菌学检验,痰及下呼吸道分泌物标本的细菌学检验以及尿液标本的细菌学检验等三种类型。肺癌患者通常接受痰及下呼吸道分泌物标本的细菌学检验,而检验周期一般长达七天。而本文将利用数据挖掘技术,对肺癌晚期患者临床指标进行分析,建立临床指标与患者肺部感染原(克雷伯菌、假丝酵母菌)之间的模型,通过数据模型预测患者的肺部感染原,探索将诊断周期大幅缩短的可能性。为此,本文收集了370例肺癌晚期患者(包含222例假丝酵母菌肺部感染患者和148例克雷伯菌肺部感染患者)的临床指标,每例包含21项临床指标。本文采用简单删除缺失数据所属样本的方法处理数据缺失问题,通过同时对少数类样本进行简单有放回过采样,对多数类样本进行欠采样的数据抽样方法解决数据样本类别不平衡问题,使用PCA做特征提取,RF-RFE做特征选择,使用随机森林作为分类器,建立分类模型。本文采用十折交叉验证的方式评估分类模型的泛化性能,使用特异度,敏感度,阳性预测值以及阴性预测值作为评价标准,使用ROC曲线做泛化能力的可视化,通过AUC值量化模型泛化能力。同时本文还针对数据抽样,分类器,特征选择与提取三个方面设置了对照实验。本文的实验结果如下:(1)以克雷伯菌为阳性,模型输出较高的阴性预测值和敏感性。(2)对于本文数据的类别不平衡问题,同时对少数类样本进行简单有放回过采样,对多数类样本进行欠采样的数据抽样方法取得了较好的效果。该方法对分类器泛化能力有显著提升。(3)随机森林和支持向量机在本文研究的分类问题上的泛化能力比较接近。(4)PCA,ICA等特征提取方法对分类器泛化能力提升明显。