针对医疗样本不平衡的问题，使用集成采样EasyEnsemble算法和XGBoost算法结合，搭建冠心病预测模型，来提高患病样本识别准确率。选用公开弗雷明翰冠心病数据集，对数据预处理后，先采用EasyEnsemble算法平衡数据集，后采用极端梯度提升算法XGBoost作为基分类器进行训练，调整各项实验参数，并采用准确率、召回率、ROC曲线下面积（AUC）等指标评价模型。实验结果表明，相较于XGBoost、过采样SMOTE+XGBoost、欠采样TomekLinks+XGBoost三种方法，EasyEnsemble+XGBoost模型极大地提高了召回率。