目的 通過支持向量機（support vector machine, SVM）、K 最鄰近分類算法（K-nearest neighbor, KNN）和決策樹 3 種機器學習方法，對缺血性腦卒中日發病人數進行預測及效果評價。方法 收集 2019 年 1 月 1 日－2021 年 3 月 28 日成都市第三人民醫院每日缺血性腦卒中確診人數以及來自中國天氣網的同期成都市天氣氣象數據和空氣質量數據。首先采用相關性分析、無序多分類 logistic 回歸分析、主成分分析等獲得該醫院每日缺血性腦卒中確診人數分組的影響因素。然后將數據按照 7∶3 的比例隨機分為訓練集和驗證集，采用 R 4.1.2 軟件進行 SVM、KNN 和決策樹 3 種機器學習方法的訓練及驗證，并以 logistic 回歸模型作為基準模型，計算各模型的 F1 分數、受試者操作特征曲線下面積和準確度；上述操作重復 3 次，以 3 次結果的均值比較各模型的預測效果。結果 4 種模型對成都市第三人民醫院缺血性腦卒中日確診人數分組的預測效果按準確率從高到低依次為 SVM（88.9%）、logistic 回歸模型（87.5%）、決策樹（85.9%）、KNN（85.1%），按 F1 分數排列從高到低依次為 SVM（66.9%）、KNN（62.7%）、決策樹（59.1%）、logistic 回歸模型（57.7%），按曲線下面積排列從高到低依次為 SVM（88.5%）、logistic 回歸模型（87.7%）、KNN（84.7%）、決策樹（71.5%）。結論 SVM 的預測結果要優于傳統 logistic 回歸模型以及其他 2 種機器學習模型。