数据预测在诸多方面都有需求,但是实际使用时难度较大。当前各行业使用的数据预测方法层出不穷、各个算法的可适用范围也不相同,这给程序设计人员在使用的时候造成了较大的困难。通常需要专业的知识才可以进行数据预测的模型设计,同时还需要具备一些应用型程序设计知识,才能较成功的呈现出算法的结果。为了解决这些问题,本文将图形化编程的思想应用于基于机器学习的数据预测中,从理论和实践两方面论述如何对基于机器学习的数据预测算法进行简化,最终实现一个可以给非机器学习专业用户也能使用的数据预测平台,同时对其中的某些步骤进行了研究和改进。本文的具体研究内容和创新点如下:（1）当前机器学习领域内,特别是在机器学习在预测算法的应用上,各种算法之间没有明确的种类划分,导致了无法对算法按执行顺序进行排序,因此无法确定算法之间能否同时使用,为了解决这个问题,参考大数据、数据科学以及机器学习领域的知识,提出一种机器学习的分步方法,将机器学习总体拆分成了三个大阶段（特征工程,模型设计和结果评估）,共十个小阶段,通过这种划分可以达成对算法进行顺序的区分,进而通过数据预测的应用背景将各层算法之间进行结合,从而实现图形化编程的效果。（2）在实际应用背景下,数据来源不一定可靠,因此需要对数据进行可信计算。目前流行的可信度评估机制是滑动窗口机制,其在可信度评估时通常需要遍历整个窗口内的数据,当结合KNN、SVM之类的算法使用时,其在滑动窗口内相对于数据规模的时间复杂度都不小于O（n2）,并且滑动窗口之外的数据发挥不了作用。为了解决这些问题,本文将生成对抗网络应用于数据的可信度评估,最终构建出的生成对抗网络可以较为全面的考虑已遍历过的数据集的所有数据,且相对于数据规模的时间复杂度为O（n）。（3）针对当前以软集为理论基础的特征选择算法其时间复杂度为指数级的问题,本文通过将软集理论与概率论结合,提出了软方差的概念,从理论上验证了软方差作为软集的特征选择的指标的意义,并提出了一种求解软集参数约简的近似算法,相较于传统算法指数级的时间复杂度以及复杂度不确定（通常视为指数级复杂度）的01线性规划算法而言,该算法在大数据背景下时间复杂度为O（n）。通过上述的研究,结合当前的Web技术,实现让非机器学习专业的用户也可以应用的数据预测平台。考虑到机器学习算法十分消耗计算资源,并且项目较为复杂,本文采用Spring Cloud作为服务器设计的框架,为了实现图形化程序设计,使用当前较为流行的Web端框架Vue+Element UI,另外机器学习使用python语言,为了后续能实现多语言支持,使用远程调用技术,将python的计算进行了服务化。为了简化使用条件,使用当前的REST API的设计思想,构建了一个面向资源的数据预测系统。通过实现的系统,对常用的数据预测方法进行了较为全面的测试实验,从特征工程和预测算法中选取了五个子过程,分别测试这五个子过程对于最终数据预测算法准确度的影响,实验表明了机器学习中各个阶段的实际作用。