预测是依据已知事件预估未知事件的一门科学,在这个大数据盛行的时代,将机器学习用于预测能大大提升预测的精度和性能。目前,已经有很多相当成熟的机器学习算法被用于做预测,比较典型的有C4.5决策树和BP神经网络。C4.5决策树递归的利用属性的信息增益率来选择分裂属性和构造分枝,直到决策树构造完成。BP神经网络是一种利用误差逆传播来调整权值直到获得最优权值为止的非线性学习算法。迄今为止,已经有许多关于C4.5决策树和BP神经网络算法的改进,但它们仍然存在着一定的不足。C4.5决策树算法对于内存具有很强的依赖性,当训练样本集的规模超出内存允许的大小时,如果不做一些处理,根本无法构造决策树。本文针对此问题提出了先用K-means算法对训练样本集进行聚类操作,然后选取聚类中心点和距中心点大于等于一定距离的点为最终的训练数据,以达到缩减数据规模的目的。BP神经网络的计算复杂度与网络的结构有很大的关系。本文首先使用遗传算法优化网络的权值和阈值,然后利用训练时各个样本在隐含层各神经元输出的平均值的线性关系,删除冗余节点,不断缩减网络结构,选择连续若干次训练后相同的隐含层神经元个数为最佳的神经元个数。两个算法均采用公共自行车租借需求的数据进行实验验证,实验结果显示,本文提出的改进思想在精度影响可接受范围内提升了算法的执行效率。在对算法进行了改进之后,本文将算法开发成组件并集成到某企业已有的海量数据分析平台中,然后结合场景数据,开发和集成了公共自行车租借需求预测和广告点击率预测两个应用。