肿瘤可以发生在身体的任何组织,并且在发生后可以转移到全身的其他任何部位。一般说来,原发部位的肿瘤及其转移部位的发生可以被顺利地发现,而转移性癌症的原发来源可以在短时间内通过临床评估来确定。但是有一些肿瘤表现为一个或多个转移点,且其原发灶不明,即使医生用标准方法对患者进行全面的检查和评估研究,也无法找到肿瘤的主要来源,这类肿瘤称为原发灶不明转移癌（CUP）。医生对肿瘤患者的医治方案、医治过程及医治用药等都会参考肿瘤的情况,明确肿瘤的发生及转移过程。除此之外,对原发或转移肿瘤组织的识别对于医生为患者制定精确的治疗计划至关重要,在肿瘤的原发部位未知的情况下,为患者设计具体的治疗计划是具有挑战性的。机器学习方法已经在预测、分类中得到广泛的应用,并在临床实践中取得了显著的优势。本文主要研究三种混合机器学习方法追踪肿瘤起源的准确性。此三种混合机器学习方法都是随机森林+分类算法混合机器学习方法的模式。对于随机森林+朴素贝叶斯混合机器学习方法追踪肿瘤起源,整合处理从癌症基因组图谱（TCGA）和GENE EXPRESSION OMNIBUS（GEO）数据库下载整理的数据,在对数据进行预处理后首先使用随机森林的Gini杂质作为评分标准挑选基因,得到输入矩阵。然后将输入矩阵输入到朴素贝叶斯分类器中得到预测的准确度。AUC（Area under the Curve of ROC）是评价模型优劣的常用指标,可以对所有可能的分类阈值的效果进行综合衡量,能直观表示分类器的性能,AUC值越大越好。10-fold交叉验证的结果显示,AUC值为0.91。对于随机森林+决策树混合机器学习方法追踪肿瘤起源,使用的数据与之前的一样处理,得到输入矩阵。然后将输入矩阵输入到决策树分类器中,得到预测的准确度为0.889。AUC值为0.886。对于随机森林+K近邻（K=5）混合机器学习方法追踪肿瘤起源,使用的数据与之前的一样处理,得到输入矩阵。然后将输入矩阵输入到K近邻（K=5）分类器中,得到预测的准确度为0.886。AUC值为0.886。