CN108257675A - 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种慢阻肺发病风险预测方法，该方法包括：设置需要获取的用户信息范围；按所述用户信息范围获取相关样本数据；根据所述样本数据建立多个模型，并进行训练和测试，筛选最优模型组合；根据所述最优模型组合建立组合分类器模型；根据所述组合分类器模型和用户个人信息进行慢阻肺发病风险预测。本发明还提供一种服务器及计算机可读存储介质。本发明提供的慢阻肺发病风险预测方法、服务器及计算机可读存储介质能够实现针对个人的未来一年的慢阻肺发病风险预测。

Description

慢阻肺发病风险预测方法、服务器及计算机可读存储介质

技术领域

本发明涉及数据分析技术领域，尤其涉及一种慢阻肺发病风险预测方法、服务器及计算机可读存储介质。

背景技术

慢阻肺即慢性阻塞性肺疾病，以不完全可逆的气流受限为特点。慢阻肺气流受限常呈进行性加重，并伴有对有害颗粒或气体，主要是吸烟所致的肺部异常炎症反应。虽然慢阻肺直接累及肺，但也可引起显著的全身效应。慢性咳嗽、咳痰常先于气流受限许多年存在，但不是所有具有咳嗽、咳痰症状的患者都会发展为慢阻肺。要明确诊断慢阻肺，则需要进行肺功能检查。慢阻肺病死率高；伴有气促、咳痰、喘息并反复加重；不仅损伤气道、肺泡和肺血管，同时还损伤肺外组织，如骨骼、骨骼肌、心脏以及其他器官；是一个多基因的全身性疾病。其临床表现、病程以及对药物的治疗反应等都有很大的个体差异。

学术上针对慢阻肺的风险评估模型，主要基于专家评分的方式，选取重要因素，每个因素设置分值，进行综合评分。这些评分方法中，涉及到的影响因素较少，准确率较低。并且评分方法的数据获取较困难，很难实现针对大规模人群的风险评估。

发明内容

有鉴于此，本发明提出一种慢阻肺发病风险预测方法、服务器及计算机可读存储介质，以解决如何方便准确地进行慢阻肺发病风险预测的问题。

首先，为实现上述目的，本发明提出一种慢阻肺发病风险预测方法，该方法包括步骤：

设置需要获取的用户信息范围；

按所述用户信息范围获取相关样本数据；

根据所述样本数据建立多个模型，并进行训练和测试，筛选最优模型组合；

根据所述最优模型组合建立组合分类器模型；及

根据所述组合分类器模型和用户个人信息进行慢阻肺发病风险预测。

可选地，该方法在根据所述样本数据建立多个模型的步骤之前还包括步骤：

对所述样本数据进行缺失值和异常值处理，并进行降维。

可选地，述用户信息范围包含所述用户的健康档案、兴趣爱好、消费习惯、生活习惯。

可选地，对所述样本数据进行缺失值和异常值处理的步骤具体包括：

删除饱和度过低的数据，异常值作为缺失值处理，通过特征填充的方法对缺失值进行填充，然后将连续数值离散化。

可选地，所述降维通过主成分分析及特征筛选方法进行。

可选地，通过xgboost算法建立所述模型。

可选地，按照10折交叉验证方法构造训练集和测试集，以筛选所述最优模型组合。

可选地，所述根据所述最优模型组合建立组合分类器模型的步骤包括：

当得到所述最优模型组合后，将其中的n个模型的预测结果进行加权，得到所述组合分类器模型，所述组合分类器模型输出的结果为n个模型的预测结果进行加权计算得到的最终预测结果。

此外，为实现上述目的，本发明还提供一种服务器，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的慢阻肺发病风险预测系统，所述慢阻肺发病风险预测系统被所述处理器执行时实现如上述的慢阻肺发病风险预测方法的步骤。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有慢阻肺发病风险预测系统，所述慢阻肺发病风险预测系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的慢阻肺发病风险预测方法的步骤。

相较于现有技术，本发明所提出的慢阻肺发病风险预测方法、服务器及计算机可读存储介质，可以建立覆盖用户的健康档案、兴趣爱好、消费、生活习惯等全方位信息的慢阻肺预测模型，利用主成分分析及特征筛选方法，对特征数据进行筛选及降维，从中提取重要特征，然后按照10折交叉验证构造训练集和测试集，用于筛选最优模型组合，并对组合中各个模型结果加权，得到最终的组合分类器模型，所述模型通过xgboost算法建立，实现针对个人的未来一年的慢阻肺发病风险预测，该方案对慢阻肺发病影响因素考虑全面，预测准确率高，且实现方便，预测效果有显著提升。

附图说明

图1是本发明服务器一可选的硬件架构的示意图；

图2是本发明慢阻肺发病风险预测系统第一实施例的程序模块示意图；

图3是本发明慢阻肺发病风险预测系统第二实施例的程序模块示意图；

图4是本发明慢阻肺发病风险预测方法第一实施例的流程示意图；

图5是本发明慢阻肺发病风险预测方法第二实施例的流程示意图。

附图标记：

服务器	2
		存储器	11
处理器	12
		网络接口	13
慢阻肺发病风险预测系统	200
		设置模块	201
获取模块	202
		建模模块	203
组合模块	204
		预测模块	205
预处理模块	206

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参阅图1所示，是本发明服务器2一可选的硬件架构的示意图。

本实施例中，所述服务器2可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-13的服务器2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，所述服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述服务器2的内部存储单元，例如该服务器2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述服务器2的外部存储设备，例如该服务器2上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述服务器2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述服务器2的操作系统和各类应用软件，例如慢阻肺发病风险预测系统200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器12在一些实施例中可以是中央处理器(Central ProcessingUnit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述服务器2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述的慢阻肺发病风险预测系统200等。

所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述服务器2与其他电子设备之间建立通信连接。

至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。

首先，本发明提出一种慢阻肺发病风险预测系统200。

参阅图2所示，是本发明慢阻肺发病风险预测系统200第一实施例的程序模块图。

本实施例中，所述慢阻肺发病风险预测系统200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的慢阻肺发病风险预测操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，慢阻肺发病风险预测系统200可以被划分为一个或多个模块。例如，在图2中，所述慢阻肺发病风险预测系统200可以被分割成设置模块201、获取模块202、建模模块203、组合模块204、预测模块205。其中：

所述设置模块201，用于设置需要获取的用户信息范围。

具体地，由于仅根据用户的健康信息无法准确地进行慢阻肺发病风险预测，因此，在所述用户信息范围中需要考虑更加全面的影响因素。在本实施例中，所述用户信息范围包含用户的健康档案、兴趣爱好、消费习惯、生活习惯等。所述用户信息范围覆盖了用户全方位的信息，而不仅仅局限于健康信息，以对慢阻肺发病风险进行更加全面和准确的预测。

所述获取模块202，用于按所述用户信息范围获取相关样本数据。

具体地，针对每个用户，根据所设置的用户信息范围，从对应的数据来源中获取该用户对应的健康档案、兴趣爱好、消费习惯、生活习惯等多个维度的数据。例如，从医院或保险公司数据库中获取用户健康档案，从银行数据库中获取用户消费习惯等。在本实施例中，可以将预设地区(例如整个城市)的用户的对应数据作为所述样本数据。

所述建模模块203，用于根据所述样本数据建立多个模型，并进行训练和测试，筛选最优模型组合。

具体地，将得到的样本数据通过xgboost算法建立模型，该算法中的目标函数选择的是逻辑回归函数。所述xgboost算法可以将n个不同的模型进行组合，通过训练和测试筛选最优模型组合，也就是最优的n值。

在本实施例中，按照10折交叉验证(10-fold cross validation)方法构造训练集和测试集，用于筛选最优模型组合。所述10折交叉验证，也就是将数据集分成10份，轮流将其中9份作为训练集数据，1份作为测试集数据，进行试验。每次试验都会得出相应的正确率(或差错率)，10次的结果的正确率(或差错率)的平均值作为对算法精度的估计。另外，还可以进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法精度的估计。

在本实施例中，将所述样本数据分为10份，将其中9份作为训练集数据，分析出影响慢阻肺患病风险的数据维度，以及每种数据维度对慢阻肺患病风险的影响程度(例如分值)，从而建立模型，然后将剩下的1份作为测试集数据，来验证上述分析(所述模型)的正确率。通过轮流将所述样本数据中的9份作为训练集数据，1份作为测试集数据，可以得到10个模型。然后根据所述xgboost算法，筛选最优的模型组合。

所述组合模块204，用于根据所述最优模型组合建立组合分类器模型。

具体地，将该最优模型组合中的各个模型预测结果加权，得到最终的组合分类器模型。从而对患病情况未知的用户实现慢阻肺患病风险预测。

所述组合分类器为将多个模型进行整合的算法，例如所述xgboost算法。当得到最优模型组合后，将其中的n个模型的预测结果进行加权，即为最终的组合分类器模型。所述组合分类器模型输出的结果为n个模型的结果进行加权计算得到最终预测结果。

所述预测模块205，用于根据该组合分类器模型和用户个人信息进行慢阻肺发病风险预测。

具体地，当对某一用户进行慢阻肺发病风险预测时，根据所述组合分类器模型的输入参数(即需要哪些维度的数据，例如该用户的健康档案、兴趣爱好、消费习惯、生活习惯等)，获取该用户对应的用户信息数据，将所获取的数据输入至所述组合分类器模型，由其中的各个模型分别进行预测，得到多个预测结果，再根据各个模型的权重对所述多个预测结果进行综合(加权计算)，得到最终预测结果，即该用户未来一年的慢阻肺发病风险。

参阅图3所示，是本发明慢阻肺发病风险预测系统200第二实施例的程序模块图。本实施例中，所述的慢阻肺发病风险预测系统200除了包括第一实施例中的所述设置模块201、获取模块202、建模模块203、组合模块204、预测模块205之外，还包括预处理模块206。

所述预处理模块206用于对样本数据进行缺失值和异常值处理，并进行降维。

具体地，将该用户的各维度数据首先进行缺失值和异常值处理，包括删除饱和度过低的数据，异常值作为缺失值处理，通过特征填充的方法对缺失值进行填充。然后将连续数值离散化，再利用主成分分析(PCA)及特征筛选方法进行降维。

所述将连续数值离散化即将连续值进行等高或等频的分箱，例如年龄是个连续值，按照10岁为一个年龄段，划分成0-10、11-20、…、91-100十个年龄段，最终将一个连续的年龄字段，转换成10个分类字段。

主成分分析的作用主要是降低数据集的维度，然后挑选最主要的特征或特征组合。主成分分析的主要流程为：原始数据标准化；计算标准化变量间的相关系数矩阵；计算相关系数矩阵的特征值和特征向量；计算主成分变量值；统计结果分析，提取所需的主成分。通过所述主成分分析方法进行降维之后，可以从所述样本数据中提取出重要的数据维度。

此外，本发明还提出一种慢阻肺发病风险预测方法。

参阅图4所示，是本发明慢阻肺发病风险预测方法第一实施例的流程示意图。在本实施例中，根据不同的需求，图4所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。

步骤S400，设置需要获取的用户信息范围。

具体地，由于仅根据用户的健康信息无法准确地进行慢阻肺发病风险预测，因此，在所述用户信息范围中需要考虑更加全面的影响因素。在本实施例中，所述用户信息范围包含用户的健康档案、兴趣爱好、消费习惯、生活习惯等。所述用户信息范围覆盖了用户全方位的信息，而不仅仅局限于健康信息，以对慢阻肺发病风险进行更加全面和准确的预测。

步骤S402，按所述用户信息范围获取相关样本数据。

具体地，针对每个用户，根据所设置的用户信息范围，从对应的数据来源中获取该用户对应的健康档案、兴趣爱好、消费习惯、生活习惯等多个维度的数据。例如，从医院或保险公司数据库中获取用户健康档案，从银行数据库中获取用户消费习惯等。在本实施例中，可以将预设地区(例如整个城市)的用户的对应数据作为所述样本数据。

步骤S404，根据所述样本数据建立多个模型，并进行训练和测试，筛选最优模型组合。

具体地，将得到的样本数据通过xgboost算法建立模型，该算法中的目标函数选择的是逻辑回归函数。所述xgboost算法可以将n个不同的模型进行组合，通过训练和测试筛选最优模型组合，也就是最优的n值。

在本实施例中，按照10折交叉验证(10-fold cross validation)方法构造训练集和测试集，用于筛选最优模型组合。所述10折交叉验证，也就是将数据集分成10份，轮流将其中9份作为训练集数据，1份作为测试集数据，进行试验。每次试验都会得出相应的正确率(或差错率)，10次的结果的正确率(或差错率)的平均值作为对算法精度的估计。另外，还可以进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法精度的估计。

在本实施例中，将所述样本数据分为10份，将其中9份作为训练集数据，分析出影响慢阻肺患病风险的数据维度，以及每种数据维度对慢阻肺患病风险的影响程度(例如分值)，从而建立模型，然后将剩下的1份作为测试集数据，来验证上述分析(所述模型)的正确率。通过轮流将所述样本数据中的9份作为训练集数据，1份作为测试集数据，可以得到10个模型。然后根据所述xgboost算法，筛选最优的模型组合。

步骤S406，根据所述最优模型组合建立组合分类器模型。

具体地，将该最优模型组合中的各个模型预测结果加权，得到最终的组合分类器模型。从而对患病情况未知的用户实现慢阻肺患病风险预测。

所述组合分类器为将多个模型进行整合的算法，例如所述xgboost算法。当得到最优模型组合后，将其中的n个模型的预测结果进行加权，即为最终的组合分类器模型。所述组合分类器模型输出的结果为n个模型的结果进行加权计算得到最终预测结果。

步骤S408，根据该组合分类器模型和用户个人信息进行慢阻肺发病风险预测。

具体地，当对某一用户进行慢阻肺发病风险预测时，根据所述组合分类器模型的输入参数(即需要哪些维度的数据，例如该用户的健康档案、兴趣爱好、消费习惯、生活习惯等)，获取该用户对应的用户信息数据，将所获取的数据输入至所述组合分类器模型，由其中的各个模型分别进行预测，得到多个预测结果，再根据各个模型的权重对所述多个预测结果进行综合(加权计算)，得到最终预测结果，即该用户未来一年的慢阻肺发病风险。

本实施例提出的慢阻肺发病风险预测方法，可以建立覆盖用户的健康档案、兴趣爱好、消费、生活习惯等全方位信息的慢阻肺预测模型，然后按照10折交叉验证构造训练集和测试集，用于筛选最优模型组合，并对组合中各个模型结果加权，得到最终的组合分类器模型，所述模型通过xgboost算法建立，实现针对个人的未来一年的慢阻肺发病风险预测，该方案对慢阻肺发病影响因素考虑全面，预测准确率高，且实现方便，预测效果有显著提升。

参阅图5所示，是本发明慢阻肺发病风险预测方法的第二实施例的流程示意图。本实施例中，所述慢阻肺发病风险预测方法的步骤S500-S502与S506-S510与第一实施例的步骤S400-S408相类似，区别在于该方法还包括步骤S504。

步骤S500，设置需要获取的用户信息范围。

具体地，由于仅根据用户的健康信息无法准确地进行慢阻肺发病风险预测，因此，在所述用户信息范围中需要考虑更加全面的影响因素。在本实施例中，所述用户信息范围包含用户的健康档案、兴趣爱好、消费习惯、生活习惯等。所述用户信息范围覆盖了用户全方位的信息，而不仅仅局限于健康信息，以对慢阻肺发病风险进行更加全面和准确的预测。

步骤S502，按所述用户信息范围获取相关样本数据。

具体地，针对每个用户，根据所设置的用户信息范围，从对应的数据来源中获取该用户对应的健康档案、兴趣爱好、消费习惯、生活习惯等多个维度的数据。例如，从医院或保险公司数据库中获取用户健康档案，从银行数据库中获取用户消费习惯等。在本实施例中，可以将预设地区(例如整个城市)的用户的对应数据作为所述样本数据。

步骤S504，对样本数据进行缺失值和异常值处理，并进行降维。

具体地，将该用户的各维度数据首先进行缺失值和异常值处理，包括删除饱和度过低的数据，异常值作为缺失值处理，通过特征填充的方法对缺失值进行填充。然后将连续数值离散化，再利用主成分分析(PCA)及特征筛选方法进行降维。

所述将连续数值离散化即将连续值进行等高或等频的分箱，例如年龄是个连续值，按照10岁为一个年龄段，划分成0-10、11-20、…、91-100十个年龄段，最终将一个连续的年龄字段，转换成10个分类字段。

主成分分析的作用主要是降低数据集的维度，然后挑选最主要的特征或特征组合。主成分分析的主要流程为：原始数据标准化；计算标准化变量间的相关系数矩阵；计算相关系数矩阵的特征值和特征向量；计算主成分变量值；统计结果分析，提取所需的主成分。通过所述主成分分析方法进行降维之后，可以从所述样本数据中提取出重要的数据维度。

步骤S506，根据降维后得到的数据建立多个模型，并进行训练和测试，筛选最优模型组合。

具体地，具体地，将降维后得到的数据通过xgboost算法建立模型，该算法中的目标函数选择的是逻辑回归函数。所述xgboost算法可以将n个不同的模型进行组合，通过训练和测试筛选最优模型组合，也就是最优的n值。

在本实施例中，按照10折交叉验证(10-fold cross validation)方法构造训练集和测试集，用于筛选最优模型组合。所述10折交叉验证，也就是将数据集分成10份，轮流将其中9份作为训练集数据，1份作为测试集数据，进行试验。每次试验都会得出相应的正确率(或差错率)，10次的结果的正确率(或差错率)的平均值作为对算法精度的估计。另外，还可以进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法精度的估计。

在本实施例中，将所述样本数据分为10份，将其中9份作为训练集数据，分析出影响慢阻肺患病风险的数据维度，以及每种数据维度对慢阻肺患病风险的影响程度(例如分值)，从而建立模型，然后将剩下的1份作为测试集数据，来验证上述分析(所述模型)的正确率。通过轮流将所述样本数据中的9份作为训练集数据，1份作为测试集数据，可以得到10个模型。然后根据所述xgboost算法，筛选最优的模型组合。

步骤S508，根据所述最优模型组合建立组合分类器模型。

具体地，将该最优模型组合中的各个模型预测结果加权，得到最终的组合分类器模型。从而对患病情况未知的用户实现慢阻肺患病风险预测。

所述组合分类器为将多个模型进行整合的算法，例如所述xgboost算法。当得到最优模型组合后，将其中的n个模型的预测结果进行加权，即为最终的组合分类器模型。所述组合分类器模型输出的结果为n个模型的结果进行加权计算得到的最终预测结果。

步骤S510，根据该组合分类器模型和用户个人信息进行慢阻肺发病风险预测。

具体地，当对某一用户进行慢阻肺发病风险预测时，根据所述组合分类器模型的输入参数(即需要哪些维度的数据，例如该用户的健康档案、兴趣爱好、消费习惯、生活习惯等)，获取该用户对应的用户信息数据，将所获取的数据输入至所述组合分类器模型，由其中的各个模型分别进行预测，得到多个预测结果，再根据各个模型的权重对所述多个预测结果进行综合(加权计算)，得到最终预测结果，即该用户未来一年的慢阻肺发病风险。

本实施例提出的慢阻肺发病风险预测方法，可以建立覆盖用户的健康档案、兴趣爱好、消费、生活习惯等全方位信息的慢阻肺预测模型，利用主成分分析及特征筛选方法，对特征数据进行筛选及降维，从中提取重要特征，然后按照10折交叉验证构造训练集和测试集，用于筛选最优模型组合，并对组合中各个模型结果加权，得到最终的组合分类器模型，所述模型通过xgboost算法建立，实现针对个人的未来一年的慢阻肺发病风险预测，该方案对慢阻肺发病影响因素考虑全面，预测准确率高，且实现方便，预测效果有显著提升。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种慢阻肺发病风险预测方法，应用于服务器，其特征在于，所述方法包括步骤：

设置需要获取的用户信息范围；

按所述用户信息范围获取相关样本数据；

根据所述样本数据建立多个模型，并进行训练和测试，筛选最优模型组合；

根据所述最优模型组合建立组合分类器模型；及

根据所述组合分类器模型和用户个人信息进行慢阻肺发病风险预测。

2.如权利要求1所述的慢阻肺发病风险预测方法，其特征在于，该方法在根据所述样本数据建立多个模型的步骤之前还包括步骤：

对所述样本数据进行缺失值和异常值处理，并进行降维。

3.如权利要求1或2所述的慢阻肺发病风险预测方法，其特征在于，述用户信息范围包含所述用户的健康档案、兴趣爱好、消费习惯、生活习惯。

4.如权利要求2所述的慢阻肺发病风险预测方法，其特征在于，对所述样本数据进行缺失值和异常值处理的步骤具体包括：

删除饱和度过低的数据，异常值作为缺失值处理，通过特征填充的方法对缺失值进行填充，然后将连续数值离散化。

5.如权利要求2所述的慢阻肺发病风险预测方法，其特征在于，所述降维通过主成分分析及特征筛选方法进行。

6.如权利要求1或2所述的慢阻肺发病风险预测方法，其特征在于，通过xgboost算法建立所述模型。

7.如权利要求1或2所述的慢阻肺发病风险预测方法，其特征在于，按照10折交叉验证方法构造训练集和测试集，以筛选所述最优模型组合。

8.如权利要求1或2所述的慢阻肺发病风险预测方法，其特征在于，所述根据所述最优模型组合建立组合分类器模型的步骤包括：

当得到所述最优模型组合后，将其中的n个模型的预测结果进行加权，得到所述组合分类器模型，所述组合分类器模型输出的结果为n个模型的预测结果进行加权计算得到的最终预测结果。

9.一种服务器，其特征在于，所述服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的慢阻肺发病风险预测系统，所述慢阻肺发病风险预测系统被所述处理器执行时实现如权利要求1-8中任一项所述的慢阻肺发病风险预测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有慢阻肺发病风险预测系统，所述慢阻肺发病风险预测系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8中任一项所述的慢阻肺发病风险预测方法的步骤。