糖尿病是一种严重影响人体免疫力的慢性病,可以控制却不能根治。合理的运用一些统计方法对血糖值进行预测,有利于糖尿病的预防和控制,对我国人民群众整体的身体素质水平的提高具有重要贡献。本文在预测血糖的过程中,一共使用了6种不同的统计学习方法对血糖值进行预测,即主成分分析(PCA)、梯度提升决策树(GBDT)、支持向量回归(SVR)、核岭回归(KRR)、Adaboost集成、投票回归(VotingRegressor),并形成6种集成模型。其中有关血糖值的数据来源于天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测。首先对数据进行预处理,将处理后的数据导入Python,然后将含有5642个样本值的一组血糖值数据按照7:3的比例随机分成两组,分别称为训练集和测试集,最后运用训练集中的数据使用6种统计学习方法建立回归模型,利用测试集中的数据预测血糖值,并对模型进行检验。文章最后分别从模型精度和模型效率两个方面对6种集成模型对比分析发现:Ada-VotingRegressor模型的精度最高,测试集和训练集的均方误差相对最小,且测试集和训练集的均方误差相差最小,模型简单,拟合度高;但当考虑到模型效率时,PCA-GBDT模型的模型效率均远高于其他5种模型。