小样本问题是指研究如何从少量的样本中去学习。小样本的信息间隔大,提供的可用信息少,这样少的样本集合无法完全揭示群体的整体特征。如今的大数据时代,小样本问题依然存在,如在医学领域的癌症研究中,由于基因数据获取技术要求高、成本高、涉及病人隐私等原因,导致可供研究的样本较为有限,从而很难进行有效研究。本文分别基于EPSO-VSG框架与WGAN生成大量虚拟样本,以填补小样本之间的信息缺失,从而达到提高小样本的预测精度的目的。最后利用极限学习机、支持向量机、随机森林、XGBoost构建预测模型并应用于膀胱癌的治疗案例中预测进行实证,以预测药物用量。实证结果表明,针对膀胱癌的治疗案例,虚拟样本可以有效提高小样本的预测精度,并且随着虚拟样本量的增加,其预测精度也在逐渐提高。总体来看,基于虚拟样本的XGBoost的模型预测精度最高,而基于虚拟样本的极限学习机模型预测精度相对最低。对于基于虚拟样本的XGBoost模型,增加的虚拟样本量越多,模型预测精度的提高程度越高。在训练集样本量很小的情况下,加入虚拟样本的随机森林与XGBoost的预测精度较高。加入虚拟样本的极限学习机模型与随机森林模型只需要增加相对较少的虚拟样本就可以较为显著的提升模型预测精度,增加更多的虚拟样本对模型预测精度的提升效果不大。支持向量机则刚好相反,训练集样本量越小,则需要更多的虚拟样本量。随着训练集样本量的增加,向极限学习机与随机森林型更多的虚拟样本对模型预测精度的提高具有更好的效果,而向基于支持向量机的虚拟样本模型加入相对较少的虚拟样本量就可以显著提高模型预测精度。在训练集样本量较少时,加入虚拟样本后的随机森林与XGBoost预测精度较高,无论训练集样本量的多少,加入虚拟样本的XGBoost预测精度均为最高。此外,基于WGAN生成的虚拟样本加入预测模型后在测试集上的预测误差比加入基于EPSO-VSG框架的虚拟样本更小,基于WGAN生成的虚拟样本更加有效。在基于EPSO-VSG框架的实证中发现虚拟样本对于模型预测的稳定性也有一定的提升,但是增加的虚拟样本量与对模型稳定性的提升没有明显的线性关系。