本文介绍了一种改进的机器学习建模方法，用于预测腹泻病例数量。通过引入自回归特征（滞后1周和2周的疾病计数）、HSA固定效应、更严格的特征筛选（选取前10个气候特征）、更好的超参数调优以及采用更简单且正则化的模型，提升了预测性能。实验比较了多种模型（如岭回归、Lasso、随机森林、梯度提升和XGBoost）在不同特征组合下的表现，最终基于验证集R^2;选出最优模型，并展示了相对于基线模型的显著提升。 适合人群：具备一定机器学习基础的数据科学家或研究人员，熟悉Python建模流程，有时间序列预测经验者更佳；适用于公共卫生、流行病学与环境健康领域的数据分析人员。 使用场景及目标：①应用于传染病发病率的时间序列预测任务，特别是结合气候因素与历史发病数据进行建模；②指导如何通过特征工程（如滞后特征、特征选择）和模型优化提高预测精度；③为政策制定提供短期疾病风险预警支持。 阅读建议：建议读者结合代码实践，重点关注自回归特征构建、特征选择策略与模型对比分析过程，注意数据预处理细节（如季节变量编码、标准化），并可进一步探索更多特征或模型优化方向。