机器学习是一个从数据中学习规则、识别模式的过程。机器学习是人工智能的产物，在金融、工业、商业、互联网以及航天等各个领域均发挥着重要的作用。在机器学习中，数据需要分为训练集和检测集，传统的做法是随机抽样选取训练集，将剩余的数据作为检测集。但是这种做法太过简单，所产生的训练集有可能会带来偏差。此外，在一些领域，获取数据的响应值是困难或者昂贵的，因此人们需要通过选取尽量少的训练样本，来得到较好的结果。为了达到这些目的，我们可以将试验设计，应用于机器学习训练集的选取。我们认为，只要你的试验设计的恰当合适，那么机器学习的效率也会更好。本文通过两个机器学习算法的例子，利用模拟数据，将序贯设计和近似正交拉丁超立方体设计等运用于机器学习的过程，结果表明，学习算法的效率和精确度都得到了提高。第一个例子，我们将序贯设计运用于分类问题的训练集选取，运用贝叶斯logit极大似然算法计算分类问题的分类边界，模拟结果表明，只用一小部分的数据，便可以估计得到使用全部数据估计的分类边界。这有助于降低成本，在实际应用中有重要的意义。第二个例子，我们将分层性和正交性引入利用Lasso做变量选择的过程。我们使用随机拉丁超立方体设计，近似正交拉丁超立方体设计、正交极大极小拉丁超立方体设计以及均匀设计来形成抽样策略，然后利用修正的最小角回归算法，来求解Lasso估计值。通过模拟，我们发现，分层性有助于减小估计的方差，而正交性能够使得变量选择更为精确。