随着互联网的发展,数据复杂度飞速增长。复杂数据不仅意味着数据量增大,也意味着特征数量变多、特征和目标的属性变得复杂。如何从复杂数据中提取有效的信息,这对特征选择和回归预测的研究提出了巨大挑战。传统的特征选择方法在处理有监督的分类问题上很成熟,但是对于无监督或者回归问题还有很大的研究空间。另一方面,在回归预测算法中,集成方法和划分“场景”建模已经得到广泛的应用。本文的工作集中在特征选择以及回归算法的研究和应用。(1)本文首先提出了一种无监督特征选择方法(UFSSR)。UFSSR使用稀疏表示重构了数据矩阵,并在此基础上提出了一个新的特征评价函数。经典数据集上的实验表明,UFSSR能更好地选出重要特征。(2)特征选择和回归预测可以看作处理回归问题的两个重要步骤。在回归问题的特征选择上,本文提出了一种改进的基于随机森林的特征选择方法(RGRF)。RGRF使用岭回归对随机森林的特征排序进行“召回”改进。在回归预测算法上,本文基于Stacking框架设计了一种集成的回归预测算法,将随机森林、GAM拟合、GBDT三类算法的预测结果融合在一起。随后,本文结合一个具体的通信指标预测问题,验证RGRF和集成回归预测算法的效果。实验表明,本文提出来的RGRF方法和集成预测方法相对于传统的特征选择、回归预测方法能够有效提升回归预测的精度。通信指标的预测结果:R-Square为0.85,S.D(0.2)为55.60%。(3)为了进一步提升通信指标回归预测精度,本文将通信设备节点本身的配置工参考虑进去,搭建层次场景划分模型,在每个子场景下对通信指标分别进行回归预测。实验表明,经过场景划分之后,总体的预测精度有了明显的提升。最终,通信指标的预测精度达到:R-Square为0.92,S.D(0.2)为67.86%。