随着高校扩招及人口老龄化,就业及其相关信息的关注度以不同往日,在西方发达国家和目前是发展中国家的中国,就业问题总会让人烦恼。我们要想量化就业现状,一般常用的指标就是失业率,如果一个国家失业率过高,即失业危机会导致社会各个方面的不稳定及慌乱:从微观角度来说,失业率高说明这个国家的劳动力过剩或者说资源没有达到优化运筹,这样的经济体是存在拖尾的,没有生机的经济首当其冲会导致供需不平衡显现,这样势必会强拉政府调控,增加支出产生恶性循环;从宏观角度来讲,失业率超过一定阈值,导致整个系统崩溃,随着互联网的普及,贫富差距问题越来越显著,近些年仇富情绪铺天盖地,若不及时从根源上解决失业问题,降低失业率,社会的稳定和谐可能会遭到严重的破坏。进入新时代,随着机器学习算法的普及和计算机计算能力的指数式提升,‘未雨绸缪’已经不再是天方夜谭,通过客观海量的数据、科学有效的算法和持之以恒的训练,建立数学模型可以对我们的世界的规律做出解释和预测。本文旨在运用多种机器学习的预测算法来预测我国的真实失业率,最终选择精度最高的一种单一方法或者组合的方法来确定出最后的预测模型:最先用自回归滞后（ARIMA）模型和不可观测成分随机波动率（UCSV）模型两种种基准模型对失业率进行最初的预测;考虑到影响失业率变化的指标众多且指标间可能会有不同程度的多重共线性以及不同时间段的数据其重要性也不尽相同,在基准模型的基础上采用收缩的方法:岭回归（RR）、套索算法（LASSO）和弹性网络（ELNET）构造惩罚函数得到较为精炼的预测模型,保留子集收缩的优点且很大程度去除多重共线性;之后采用因子分析的数学模型线性因子模型（Factor Model）提取主因子,进行降维处理,宏观上把握哪些指标对预测响应变量是占大部分的作用;为提高精度,采用一些集成方法（Ensemble Methods）:完全子集回归（CSR）、装袋算法（Bagging Methods）以及随机森林,将几种不同机器学习的算法、一种算法的不同参数组合到一起,完成失业率的预测;最后建立中国失业预测模型,对当前失业问题进行定量分析,根据相应的预测变量做出可靠的、置信的的政策建议。