多年来，有关患者的信息和医学信息的数量已大大增加。 此外，由于血液疾病患者的增加，医学病理学家已经使用了传统的诊断测试，其成本低并且导致诊断不准确。 为了从血液学数据中识别出最佳的疾病模式，医疗专业人员需要一种可靠的预测方法。 数据挖掘方法允许用户检查来自各个维度的数据，将其分组并总结所确定的关系。 分类是一项至关重要的数据挖掘技术，具有广泛的应用。 应用分类算法将一组数据中的每个项目分类到一组已知的类中。 本文的目的是比较使用怀卡托知识分析环境的不同分类算法，并找到一种最有效的最终用户血液数据功能算法。 发现的最有效的算法是随机森林，其准确性为96.47％，构建模型所花费的总时间为0.16秒，这比现有的其他工作效率更高。 相反，多层感知器分类器的最低精度为75.29％，构建模型所需的时间为1.92秒。
