随着科技的发展,现实中越来越多的数据被收集存储到数据库中,机器学习被用来挖掘数据中蕴藏的有用信息。基于数据的建模方法中当训练集样本个数变为海量时,其计算过程的时间复杂度和空间复杂度将大大提高。虽然约简支持向量机通过随机缩小样本集规模以减少支持向量的个数,并提高了计算速度,但在解决很多实际问题时,这种随机的约简训练集可能导致样本中一些有用的信息丢失,降低了所建模型的泛化性能和精度。本文提出了一种基于复杂网络建模的样本筛选方法用于约简最小二乘支持向量机模型。该复杂网络模型首先构造数据样本,计算样本间距离,得到表示网络的邻接矩阵和样本集。通过以模块度最大化为优化目标,在样本节点的复杂网络中进行社区发现,获得对应问题不同情况下的样本社区聚类。由于现实数据采集问题会出现异常点,根据制定的规则剔除异常点社区,并计算每个样本节点的结合度,将结合度大的典型样本构成训练集,提高泛化性能并尽可能的保留原有样本集中的有用信息实现样本集的约简,从而建立了约简最小二乘支持向量机模型。为表明本文所提方法的有效性,将本文提出的方法与不同聚类筛选样本方法进行对比。采用某钢铁企业实际高炉煤气系统实时流量预测问题进行了仿真实验,其结果表明,本文提出的样本筛选方法克服了普通聚类筛选的盲目性和随机性,剔除异常点数据,有效去除样本冗余,大大提高了训练样本集的典型性,使得简约最小二乘支持向量机模型具备较高的精度和较小的计算复杂度,有效提高了模型的泛化性能。