用户画像是根据研究对象的有关信息,抽象出标签化用户模型,形成对目标群体具有代表性的用户角色的一种数据分析方法。随着数据科学及大数据技术的发展,用户画像作为一种研究目标对象特征的方法,其应用领域不断拓展,从商业市场发展到社会生活的各个领域,比如心理健康研究领域。在现代社会的快节奏和竞争压力下,心理健康问题逐渐引起社会各阶层人士不同程度的关注。研究表明,个人对自身心理问题的关注程度越高,表明其对心理疾病的控制效果就越好。因此,采用科学方法研究个人对心理健康状况的认知态度,对于心理疾病的预防和管理都有非常重要的现实意义。运用用户画像的基本原理和基本流程框架,采用有关工作者心理健康认知的问卷数据,构建心理健康认知态度画像模型,并讨论建立心理健康认知风险预警模型的有效方法。通过模型对目标对象的心理健康认知态度进行识别,能够为相关管理和研究提供参考。在文献学习的基础上,结合心理学的相关理论,建立分析指标体系。采用基于特征重要性的k-modes聚类方法,根据对心理健康认知态度的五级划分研究,将心理健康认知态度分为积极、较为积极、中性、较为消极和消极。抽象出了各类的相应特征。而心理态度消极类的人群对于心理健康的认知与表达都处于较低水平,这类人群是心理健康高风险人群,需要特别重视与关注,所以需要进一步构建心理健康认知态度风险预警模型。对于常用的三种机器学习分类算法:随机森林分类算法、logistic回归算法和KNN分类算法。通过数据建模比较,发现本例中logistic回归算法具有较高的分类精度;在探索提升分类精度时,采用随机森林特征选择与卡方检验特征选择两种方法进行特征筛选,发现使用随机森林特征选择方法,能帮助logistic回归算法提升分类精度,提升后分类精度可达96.18%。由于本例数据为定性数据,特征为多值特征,分类结果大于2种,因此,可以认为对于这类型数据,logistic回归算法是较优算法。本文构建了心理健康认知态度用户画像模型,为心理学研究提供了一种新的分析方法和思路;同时,在模型分类算法与特征筛选方面,提供了关于定性数据的一种较优模型算法参考,对机器学习算法的应用进行了有益的探索。因此,论文的研究具有理论和实践双重意义。