基于数据的预测是当今学术和应用领域广泛关注的研究内容,很多学者提出的数据挖掘方法在一定程度上解决了预测的问题,但目前从理论上处理大数据的系统化方法还不完善。因此,本文针对大数据的数据量大的特点做了以下两方面工作:1)以具有结构特征的大数据为背景,研究了基于决策树的有放回抽样与无放回抽样相结合的分类规则获取方法(简记为SDTI)。该研究包括初始分类规则库筛选机制、分类规则库可精炼策略以及基于有放回抽样的分类规则的可信性确定方法,并结合理论与实验结果分析了该方法的可行性与可解释性,为大数据背景下的分类规则获取方法提供了理论和方法支撑。2)以具有结构特征的大数据为背景,研究了基于可信性的不确定性预测方法(简记为RDP)。该研究包括RDP的执行机制与可信性的确定方法,并结合大数定律以及实验结果分析了决策属性取值分布的逼近问题,表明RDP具有良好的可解释性和可操作性,可以为大数据背景下的预测提供理论和方法支撑。因而,本文提出的模型均具有良好的可解释性和结构特征,可以帮助管理者在数据量很多的不确定环境下做出合理的决策。