随着计算机技术的飞速发展,机器学习在医疗领域的作用得到了人们的广泛关注。一直以来,在乳腺癌治疗和预后过程中,医生的临床经验起着决定性的作用。然而,经验的积累需要大量的临床实践,由于数据量每年以指数形式增长,人工处理数据来发现规律费时费力且满足不了要求,为了提高临床医生诊断的准确率和效率,因此必须通过计算机使用更高效的算法进行处理和挖掘数据。本文数据来自真实世界的1995年至2000年间3088名乳腺癌女性患者的随访数据。进行了以下研究:（1）本文针对医疗数据普遍具有不平衡的特点提出了双重加权的贝叶斯算法。首先在公共数据集上进行验证;其次基于来自真实世界的乳腺癌患者随访数据,使用双重加权的贝叶斯算法和朴素贝叶斯算法对患者的复发时间进行预测,结果表明在对乳腺患者的复发时间预测上相对于朴素贝叶斯算法均有所提高。（2）本文乳腺癌患者数据,进行处理平衡数据;采用K近邻、支持向量机、决策树和深度前馈网络四种机器学习算法分别构造多分类学习器进行实验;接着采用集成学习,并且与Bagging算法以及Adaboost算法形成对比;充分说明投票法的集成学习可提升单一机器学习在癌症医学数据的分类效果。在三种集成学习算法中Ada Boost算法在乳腺癌患者的随访数据的分类效果上表现最优。本文以此为基础建立可靠、稳定的乳腺癌患者的复发时间预测模型。（3）本文选取进行了保乳术手术的雌激素受体阳性患者为研究群体,通过生存分析中的KM法探究内分泌治疗对患者的复发获益情况;使用逆向概率倾向评分加权的Cox多因素风险模型对乳腺癌患者进行分析,得到患者的复发独立影响因素,根据这复发独立影响因素建立列线图模型,该模型具有较好的准确率和区分度,从而对患者的三年、五年以及十年的无病生存率进行可视化预测。本文针对医疗数据提出的双重加权的贝叶斯算法在对不平衡数据进行分类时相对于朴素贝叶斯算法分类预测效果有大幅度提升,建立的机器学习模型对乳腺癌患者的复发时间预测具有一定的临床使用价值;根据生存分析情况可以使肿瘤核级别为III的患者避免治疗不足导致复发和肿瘤核级别为I、II的患者治疗过度造成损害;根据患者的复发独立影响因素建立的列线图模型,在临床治疗和预后中,该模型为临床医生提供了精准医学和个性化治疗的决策支持,可以使患者通过早期干预从复发预测中受益,对临床医学具有一定的指导和借鉴意义。