基于机器学习的数据分析方法,用于解决经济社会发展中的问题,已被广泛应用于经济、金融和工业等各个领域。机器学习模型有着良好的泛化性和鲁棒性,比较适合工业经济水平预测。工业经济水平就是指工业发展水平,内在可以在工业企业资产、企业从业人员工资和工业企业用电规模等因素上体现,外在表现为经济增长,也就是工业生产总值上。本文研究建立在内在因素和外在体现（经济增长）的关系上,通过对安徽省工业各指标数据的分析处理,进行机器学习方法的建模,使用支持向量机回归、BP神经网络两种建模方法对工业经济进行预测,并将建模结果进行对比分析,从而对地区工业发展提出可实行的优化策略,助力地区经济高质量发展。对地区工业经济发展具有重要的现实意义。本文在研究过程中,采用描述分析的方法对与工业经济水平发展有关联的一些因素进行了介绍,并在考虑了数据样本量的基础上选取了一些因素进入后续的建模过程。本文主要使用支持向量机和BP神经网络模型进行数学建模,对地区工业经济水平的预测分析问题进行了探讨。立足于工业企业管理者角度,给工业企业日后的发展方向起到一定的理论参考作用,通过这两个模型能够对现有的体现工业企业经济水平的数据进行预测。本文的主要研究工作如下:1.通过数据收集,对影响地区（安徽省）工业企业经济水平的有关因素的数据进行了收集,数据的主要来源为安徽省统计局官网中的统计年鉴,少量数据来源于国家统计局统计年鉴。2.对上述收集到的数据进行了简单的描述分析,对地区工业经济水平的现状进行了介绍,对工业企业的一些指标进行了分析,针对“工业经济增长水平”进行了说明。3.对使用的两个模型——支持向量机以及BP神经网络的理论基础进行了阐释,详细说明了其基本思想、数学基础等理论方面的问题,并对实践时可能要注意的问题进行了解答,以期提高模型预测的精准度。4.通过实证分析,考虑到样本量问题选用了一些指标进行模型的建立,在建模过程中划分数据为训练集和测试集,验证模型结果的精确性和有效性,并对模型进行了调优选参等工作,以得到更好的预测结果。本文主要通过支持向量机和BP神经网络两种模型对工业经济水平进行分析预测,能够在合适的条件下较为精确地对工业经济水平进行预测,为地区工业发展提供可行的理论依据和一些参考价值。