1.一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，包括以下步骤：S1、获取包含多个带有标签值的原始样本的原始数据集，构造微生物相对丰度矩阵，采用最大互信息系数进行特征选择，对数据集进行过滤并划分数据集，将数据集分为训练数据集和测试数据集；

S2、利用SMOTE方法对训练数据集进行过采样处理，获得平衡的数据集；

S3、用贝叶斯优化算法选择随机森林和LightGBM学习器的最优超参数；

S4、用所选的最优超参数分别代入随机森林与LightGBM算法训练模型；

S5、分别在训练集上进行10折交叉验证、在测试集进行模型预测性能评估。

2.如权利要求1所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S1中的特征选择包括以下步骤：S11、对于随机变量X和Y所构成的二维散点图构建网格尺度r×c划分；

S12、计算所划分的各个网格里的互信息公式：

将最大的互信息值按照下列公式进行归一化处理：

S13、用多种不同的划分方式中最大的归一化互信息值做为最大互信息系数：MIC(X；Y)＝maxr×c

0.6

其中，f(n)＝n ，n为样本数量，X为一个物种，Y是样本的健康或者患病状态，N(X；Y)是随机变量的X和Y归一化后的最大互信息，MIC(X；Y)是随机变量的X和Y的最大互信息，r、c是对于随机变量X和Y所构成的二维散点图构建的网格尺度，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数、max为最大值函数。

3.如权利要求2所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S2中的预处理包括以下步骤：S21、SMOTE先在特征空间上获取所有少数类样本X；

S22、对于每个少数类样本xi,raw，找到其k个少数类近邻，并从这k个近邻中随机的选择一个样本xi,rand；

S23、连接少数类样本xi,raw与随机样本xi,rand，此连接线段上的随机一点xi,new即为新合成的样本：xi,new＝xi,raw+rand(0,1)×(xi,raw‑xi,random)    (4)其中，xi,raw是第i个原始样本，xi,rand是从第i个的k个少数类近邻中随机选择的随机样本，xi,new是由第i个合成的新少数类样本，rand(0,1)表示生成一个在(0,1)内的随机数，且这个随机数属于实数。

4.如权利要求1所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S3中的贝叶斯优化包括以下步骤:S31、选择树结构概率密度估计(TPE)作为概率代理模型进行贝叶斯优化，TPE算法的概率分布定义如式(5)所示：(i) (i) *

其中，l(x)为观测值{x }形成的密度，其对应的风险损失值y＝f(x )，且y

* *

TPE算法选择y 作为当前观测风险值y的某个分位数γ，满足p(y

S32、根据EI采集函数选取下一个超参数，通过最大期望提升进一步优化，最大期望提升EI的定义如式6所示：为了能获得最大期望提升，通过 评估每一个超参数x，在每次迭代中，算法将返回具有最大EI的超参数值：S33、重复上述过程，不断利用代理模型的后验分布选择超参数，直到得到最优解。

5.如权利要求1所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S1中数据集70％作为训练集，30％作为测试集。

6.如权利要求1所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S1中微生物相对丰度矩阵的每列代表一个物种，矩阵的每行代表一个健康或者患病的样本，将健康与患病分别标为0与1。

7.如权利要求1所述的一种贝叶斯优化的RF与LightGBM疾病预测方法，其特征在于，所述步骤S5中将训练集进行10折交叉验证，并取独立重复10次结果的平均值来评估模型的泛化性能。