1.一种基于XGBoost的数据分类方法，其特征在于，包括：

从调查数据库中提取待分类疾病对应的调查数据，作为初始数据；

采用XGBoost模型对所述初始数据进行特征提取，得到所述调查数据的目标特征；

使用所述目标特征对所述XGBoost模型进行模型训练，并在所述XGBoost模型中使用Hyperopt库进行模型调参，得到训练好的分类模型；

根据所述目标特征，生成分类筛选问卷；

针对任一用户，将所述用户回答所述分类筛选问卷得到的数据，作为用户的目标数据，并将所述目标数据输入所述训练好的分类模型中，得到所述用户对应的分类。

2.根据权利要求1所述的基于XGBoost的数据分类方法，其特征在于，所述采用XGBoost模型对所述初始数据进行特征提取，得到所述调查数据的目标特征包括：基于所述XGBoost模型，对所述初始数据进行特征提取，得到M个基础特征，其中，M为正整数；

根据逐步回归算法，将M个所述基础特征添加到所述XGBoost模型中进行迭代计算，得到迭代计算结果，其中，所述迭代计算结果中包含所述基础特征对应的贡献分值；

从所述迭代计算结果中，将所述贡献分值按照从大到小的顺序排列，选取排名前N个贡献分值，并将所述前N个贡献分值所对应的基础特征作为N个目标特征，其中，N

3.根据权利要求2所述的基于XGBoost的数据分类方法，其特征在于，所述基于所述XGBoost模型，对所述初始数据进行特征提取，得到M个基础特征，其中，M为正整数包括：基于所述XGBoost模型，对所述初始数据进行集成树计算分析，得到K个分析特征，其中，每个所述分析特征经过计算分析后具有分割得分，K为正整数，K>M；

删除分割得分为零的分析特征，将保留下来的分析特征作为所述基础特征，得到M个所述基础特征。

4.根据权利要求2所述的基于XGBoost的数据分类方法，其特征在于，所述根据逐步回归算法，将M个所述基础特征添加到所述XGBoost模型中进行迭代计算，得到迭代计算结果包括：根据逐步回归算法，将M个所述基础特征逐步添加到XGBoost模型中进行迭代计算，其中，每次迭代计算得到一个特征值；

当检测到所述特征值不再上升时，统计所述基础特征对所述XGBoost模型计算后得到的所述贡献分值。

5.根据权利要求4所述的基于XGBoost的数据分类方法，其特征在于，在所述根据逐步回归算法，将M个所述基础特征逐步添加到XGBoost模型中进行迭代计算之后，所述方法还包括：通过嵌套交叉验证的方式，对所述XGBoost模型进行验证。

6.根据权利要求1至5任一项所述的基于XGBoost的数据分类方法，其特征在于，所述针对任一用户，将所述用户回答所述分类筛选问卷得到的数据，作为用户的目标数据，并将所述目标数据输入所述训练好的分类模型中，得到所述用户对应的分类还包括：将所述分类筛选问卷以二维码链接的形式发送到所述目标用户，获取所述目标用户的所述目标数据，所述目标数据存储于区块链中。

7.一种基于XGBoost的数据分类装置，其特征在于，包括：

初始数据获取模块，用于从调查数据库中提取待分类疾病对应的调查数据，作为初始数据；

目标特征提取模块，用于采用XGBoost模型对所述初始数据进行特征提取，得到所述调查数据的目标特征；

分类模型训练模块，用于使用所述目标特征对所述XGBoost模型进行模型训练，并在所述XGBoost模型中使用Hyperopt库进行模型调参，得到训练好的分类模型；

分类筛选问卷模块，用于根据所述目标特征，生成分类筛选问卷；

用户分类获取模块，用于针对任一用户，将所述用户回答所述分类筛选问卷得到的数据，作为用户的目标数据，并将所述目标数据输入所述训练好的分类模型中，得到所述用户对应的分类。

8.根据权利要求7所述的基于XGBoost的数据分类装置，其特征在于，所述目标特征提取模块包括：基础特征获取单元，用于基于所述XGBoost模型，对所述初始数据进行特征提取，得到M个基础特征，其中，M为正整数；

迭代计算结果单元，用于根据逐步回归算法，将M个所述基础特征添加到所述XGBoost模型中进行迭代计算，得到迭代计算结果，其中，所述迭代计算结果中包含所述基础特征对应的贡献分值；

目标特征获取单元，用于从所述迭代计算结果中，将所述贡献分值按照从大到小的顺序排列，选取排名前N个贡献分值，并将所述前N个贡献分值所对应的基础特征作为N个目标特征，其中，N

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于XGBoost的数据分类方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于XGBoost的数据分类方法。