你有标签集吗？只要您有足够的标记数据来训练它，任何算法都可以以监督的方式进行。

基于树的模型（例如随机森林分类器）可以很好地完成这项任务，尤其是因为您拥有分类数据。您需要做的就是将数据编码为数字（例如 0：男性，1：女性，2：变性人）并将其输入您的模型（应用随机拆分和交叉验证等）。

如果你不这样做，那么在不收集新数据的情况下你能做的最好的事情就是在你的数据集中找到相关患者的集群。编码变量的规则相同，但您可能需要注意如何缩放变量，因为聚类算法对特征的相对缩放很敏感。发生这种情况是因为大多数聚类算法使用距离度量对数据进行聚类，这在处理类别时失去了意义。有关聚类分类数据的更多信息，请参阅此内容：

您可以尝试级联模型，例如，您首先拟合三个单独的模型

S1=F(x1,...,x7)

S2=F(x1,...,x7)

S3=F(x1,...,x7)

接下来，您使用这些单独模型的结果来拟合二级模型，例如

M1=F(x1,...,x7,S1,S2)

或者

M2=F(x1,...,x7,S1,S3) ...

拟合模型的结构和顺序取决于您的数据。

您可以测试某些组合的性能，也可以仅根据专家判断设置结构。

当然，不能保证这些堆叠模型的性能会比您的单个模型的性能更好。