随着信息技术的快速发展,医院信息系统和医疗数字化设备的广泛应用,医学数据库中有关病人的案例、检验、诊断和治疗的信息大量积累,人们对于发掘医学数据中所蕴含知识的需求日益迫切。借助数据挖掘技术对这些宝贵的医学数据资源进行分析和处理发现有价值的信息,从而可以为疾病的诊断和治疗提供科学的决策。模糊决策树将模糊理论与决策树算法相结合,可以对医学数据中存在的模糊性和不确定性进行处理,增强决策树算法的适用性,实现更加准确有效的医学数据分类。本文主要开展了以下工作:(1)对模糊决策树的两种算法——模糊ID3算法和最小分类不确定性算法进行研究,在模糊数据集上完成模糊决策树的构建和规则提取,并利用模糊规则对新实例进行分类预测。总结清晰决策树与模糊决策树的区别。(2)对于医学数据集中的连续值属性,使用Kohonen特征映射算法和三角隶属度函数完成数据的模糊化处理,实现连续值属性的平滑划分,更自然合理地描述数据集属性的特征。(3)通过MATLAB实现模糊ID3算法和最小分类不确定性算法,并结合已有的C4.5和CART算法,在公开可用医学数据集上构建相应的分类模型。比较四种决策树算法生成模型的分类准确率以及规则数量的不同。模糊ID3算法在四组医学数据集上都获得了较高的分类准确率,且生成的规则数量适中,体现出模糊决策树算法在处理医学数据连续值属性上的优势且能对数据中存在的模糊性进行处理。(4)针对模糊决策树算法中的关键参数通常是依据经验设定的问题,本文提出使用改进粒子群算法对参数组合进行智能寻优从而改善模糊决策树性能。适应度函数综合考虑训练准确率、测试准确率、概括能力以及生成树的规模。使用优化的模糊决策树算法在公开可用医学数据集上构建分类模型,证明应用该方法进行医学数据分类的必要性与有效性。该方法既能够产生较为准确的预测结果,还能够以决策树的形式提供预测的理由。