随着信息技术的快速发展,分类预测方法在管理领域的应用逐渐增多。分类预测是对原始数据进行分析,并从中抽取刻画数据类别的模型,这种分类模型又被称为分类器。分类预测模型的可靠程度依赖于数据的可靠程度,数据的冗余会导致预测结果产生偏差。虽然目前学术界对分类预测模型的研究和应用有很多,但是很少考虑数据冗余的情况。由于数据出现冗余是数据获取过程中不可避免的,因此从数据的角度去除其中的冗余数据,再对数据进行预测,可以有效的提升数据的分类预测精度。本文以预测问题为背景,主要做了以下工作:1)通过随机森林属性重要度方法对属性的重要度进行分析,约掉属性重要度较低的属性,然后选取最优初始约减样本,构建基于最小间隔的样本约减集合,给出了最优邻域半径的确定方式;提出基于邻域粒化的样本约减模型(简记为NG-SR),给出了NG-SR的实施步骤、讨论了NG-SR的计算复杂度;最后结合几个常用UCI数据集和实际的案例分析了NG-SR的结构特征,比较了NG-SR选取初始约减样本的合理性,验证了NG-SR的可操作性和可解释性。2)在上一步样本约减的基础上,首先针对距离度量的选取忽视属性重要度的问题,根据随机森林属性重要度方法综合考虑各个属性的重要度,然后提出一种结合属性重要度的加权距离度量方式,接着以这种方式构建待预测样本属于某个样本类别的可信度,根据样本类别可信度的高低来判别该待预测样本的类别;进而提出基于邻域分类的预测模型(简记为PM-BN)。给出了PM-BN的实施步骤、讨论了PM-BN的计算复杂度;最后,结合实际的具体案例分析了PM-BN的结构特征,验证了PM-BN有效性和实用性。