数据挖掘方法在医疗健康方面的预测和分析中得到了广泛的应用，糖尿病作为流行病之一，在全球范围内的发病率处于逐渐上升的趋势。为了减小糖尿病及其并发症对身体健康的影响，本文采用数据挖掘方法对糖尿病相关的医疗数据进行研究，通过对二分类糖尿病数据属性的协变量分析，对多分类糖尿病及其他慢性病数据进行聚类以及基于决策树分类器进一步提高糖尿病预测的准确性，为糖尿病临床诊断和基础健康教育的开展提供决策支持作用。
　　首先，在二分类糖尿病数据集上建立逻辑回归模型，得到糖尿病类别上的属性的协变量。通过利用Royston和Altman提出的多项式策略，拟合逻辑回归模型来计算年龄、职业和糖尿病类别三个变量之间的偏差。模型在糖尿病二分类数据集上表现较好，产生了较小的偏差和较大的对数似然值。
　　其次，分别采用K-mean算法和自组织映射SOM算法对糖尿病数据进行多分类聚类分析。K-mean方法能够在较短的时间内输出结果，具有较快的收敛速度。而SOM算法通过对欧式空间内的点进行分析，能够高效地发现搜索空间。
　　再次，采用决策树J48对糖尿病进行分类预测，达到了较高的分类准确率和较低的错误率和假阳性率。研究过程发现了糖尿病的决策规则，并显示血压和葡萄糖水平是诊断糖尿病的关键特征。
　　最后，在决策树J48算法的基础上，进一步采用规则分类器PART和Decision Table开展进一步研究，通过逻辑回归评估分类结果的效果，在依然能够维持较高准确率的同时，错误率有所降低。算法的应用产生了23个决策规则并显示9个医学特征是造成糖尿病的根本原因。
　　本文的实验数据来自尼日利亚和巴基斯坦的男性和女性，包括患者和非患者共计1257名，年龄在18至87岁之间，数据覆盖了104个医学特征。研究证实了数据挖掘方法在糖尿病预测中的有效性，该研究在流行病风险高，社会经济地位低的国家中显得尤为重要。