数据挖掘技术在中医辅助诊断中被日益重视,计算机辅助诊断本质上是一个数据挖掘分类任务。中医临床数据的模糊性和不完整性是它区分于其他领域数据的显著特征,这加大了中医数据挖掘的难度。大多数研究者都希望寻求一种“最优”的分类算法以降低中医辅助诊断的错误率。事实上,不存在最“好”的分类算法。面对中医临床的小样本数据,单个分类器的错误率的降低空间非常有限。本文试图通过集成多个错误率较低、个体之间差异性较大的分类算法,降低脾虚证辅助诊断的错误率。已有研究表明,要产生有效的集成分类算法,个体分类器之间必须有差异,同时个体分类器的错误率不能太低。常用的分类集成方法都是通过扰动训练数据来获得差异度大的个体分类器,例如提升(Boosting)和装袋(Bagging)。本文提出了一种基于特征提取的分类集成模型。这种模型能将扰动训练数据和扰动输入属性结合起来,生成精确且差异度大的个体分类器。与单个分类器和其他集成方法的对比实验,证明这种新模型在脾虚证辅助诊断上有更低的错误率。进一步的实验显示特征提取在这种新模型中对降低错误率有显著的作用。