S. Noeiaghdam1,2, S. Balamuralitharan3, V. Govindan4 1Irkutsk National Research Technical University, Irkutsk, Russian Federation 2South Ural State University, Chelyabinsk, Russian Federation 3Bharath Institute of Higher Education and Research, Chennai, India 4DMI St John the Baptist University Central, Mangochi, Malawi E-mail: snoei@istu.edu, balamuralitharan.maths@bharathuni.ac.in, govindoviya@gmail.com Самад Нойягдам, PhD, лаборатория промышленной математики, Байкальский институт БРИКС, Иркутский национальный исследовательский технический университет (г. Иркутск, Российская Федерация); кафедра прикладной математики и программирования, Южно-Уральский государственный университет (г. Челябинск, Российская Федерация), snoei@istu.edu. Сундараппан Баламуралитаран, PhD, кафедра математики, Институт высшего образования и исследований Бхарата (г. Ченнаи, Индия), balamuralitharan.maths@bharathuni.ac.in. Ведияппан Говиндан, PhD, кафедра математики, DMI Центральный университет Святого Иоанна Крестителя (г. Мангочи, Малави), govindoviya@gmail.com. The research work develops a Context aware Data Fusion with Ensemblebased Machine Learning Model (CDF-EMLM) for improving the health data treatment. This research work focuses on developing the improved context aware data fusion and efficient feature selection algorithm for improving the classification process for predicting the health care data. Initially, the data from Internet of Things (IoT) devices are gathered and preprocessed to make it clear for the fusion processing. In this work, dual filtering method is introduced for data pre-processing which attempts to label the unlabeled attributes in the data that are gathered, so that data fusion can be done accurately. And then the Dynamic Bayesain Network (DBN) is a good trade-off for tractability becoming a tool for CADF operations. Here the inference problem is handled using the Hidden Markov Model (HMM) in the DBN model. After that the Principal Component Analysis (PCA) is used for feature extraction as well as dimension reduction. The feature selection process is performed by using Enhanced Recursive Feature Elimination (ERFE) method for eliminating the irrelevant data in dataset. Finally, this data are learnt using the Ensemble based Machine Learning Model (EMLM) for data fusion performance checking. В рамках исследовательской работы разработано слияние данных с учетом контекста с моделью машинного обучения на основе ансамбля (CDF-EMLM) для улучшения обработки данных о здоровье. Эта исследовательская работа сосредоточена на разработке улучшенного слияния данных с учетом контекста и алгоритма эффективного выбора признаков для улучшения процесса классификации для прогнозирования данных здравоохранения. Первоначально данные с устройств интернета вещей (IoT) собираются и предварительно обрабатываются, чтобы сделать их понятными для обработки слияния. В этой работе построен метод двойной фильтрации для предварительной обработки данных, который пытается пометить немаркированные атрибуты в собранных данных, чтобы можно было точно выполнить объединение данных. Кроме того, динамическая байесовская сеть (DBN) является хорошим компромиссом для манипулирования и становится инструментом для операций CADF. Здесь проблема вывода решается с использованием скрытой марковской модели (HMM) в модели DBN. После этого анализ основных компонентов (PCA) используется для извлечения признаков, а также для уменьшения размеров. Выбор признаков выполняется с использованием метода расширенного рекурсивного исключения признаков (ERFE) для устранения нерелевантных данных в наборе данных. Наконец, эти данные изучаются с использованием модели машинного обучения на основе ансамбля (EMLM) для проверки производительности слияния данных.