随着我国国民生方式的改变及人口问题老龄化的加剧,不健康的生活方式日益突出,我国城乡地区心血管疾病的发病率逐年升高,其致死率已超过恶性肿瘤、呼吸疾病等其他疾病,我国城乡居民5例死亡中有2例属于心血管疾病。心血管疾病不仅对人类健康问题构成严峻的挑战,还给社会经济带来庞大的负担,已经成为重大公共卫生问题。近几年,由于机器学习尤其是集成学习的方法在各行业数据分析与预测方面有着较高的准确率,所以将机器学习方法和医疗领域相结合成为大趋势,这为未来的疾病研究带来了机遇,为研究严重威胁人类健康的心血管疾病提供了一个新的方向。本文结合被调查者提供的身体各项指标基于机器学习的各种算法对心血管疾病进行预测研究,从被调查者的性别、年龄、体重、身高、收缩压水平、舒张压水平、胆固醇水平、血糖水平、吸烟状况、饮酒状况、锻炼状况这11个指标出发,通过特征变化引入便于研究身高、体重的身体质量指数BMI及cat＿bmi和便于研究收缩压、舒张压的cat＿blood＿pressure,并结合特征选择筛选出心血管疾病的主要危险因素分别为:年龄、性别、cat＿bmi、cat＿blood＿pressure、胆固醇水平、血糖水平、吸烟状况、饮酒状况、锻炼状况,以及对各危险因素做了详尽的描述性统计,从而分析各危险因素对患心血管疾病是否有影响。通过建立心血管疾病预测模型对是否患心血管疾病进行预测,分别构建基于K近邻、逻辑回归、随机森林、XGBoost、Light GBM以及以逻辑回归模型、XGBoost模型、Light GBM模型作为初级学习器,随机森林模型作为次级学习器的融合模型采用10折交叉验证对模型进行训练,随机网格搜索法对参数进行调整,得到了各预测模型的分类结果,以上分析均通过python软件实现。从整体来看,融合模型的准确率、均衡准确率、召回率、F1值是所有模型中表现最好的,认为融合模型对心血管疾病的分类性能最好,且集成算法预测模型的分类性能要高于传统分类算法,而Stacking融合模型的分类性能更是优于集成算法预测模型。