信息是客观事物之间相互联系和相互作用的表征,反映了客观事物运动状态和变化的实质内容,能够调控蛋白质表达的基因是一种生物信息,人们的日常交流以及新闻等都是信息,如果能够对这些信息进行预测,那么人类社会将会进入全新的时代。本论文从三个实际问题,预测乳腺癌疾病,肺部图像诊断以及新闻信息预测入手,通过机器学习的方法研究信息预测问题,论文的主要工作如下:首先,(1)论文对生物信息标志中的microRNA在早期预测乳腺癌疾病做了深入研究,分析了多种机器学习方法对乳腺癌的预测效果,提出了一个预测精度以及召回率较高的分类模型。(2)为了减少模型特征,本文使用多种特征选择方法筛选对于疾病预测影响更大的microRNA,提出了含有5个microRNA的基因组合预测乳腺癌疾病的模型,模型的预测召回率与全基因预测值相比仅降低了 0.5%。在论文研究的第二个问题中,我们通过卷积神经网络AlexNet对肺部影像进行识别诊断研究,同时为了增强模型的泛化能力,论文中结合了最前沿的对抗生成网络,搭建了含有对抗生成网络的AlexNet,提升了模型的泛化能力,识别准确率达到了 81.6%。接着,论文通过抓取新浪微博以及新浪新闻数据深入研究网络新闻消息的点击规律以及消息热度的预测模型。(1)文章先从统计角度分析了消息的点击时延与点击量的联系、消息的发布时间与点击之间的关系以及重大消息对于点击曲线的影响。(2)通过低通滤波发现消息的点击序列是由多个伽马分布加权得到的,因此文章提出了一种使用混合伽马分布拟合消息的点击序列的模型,并且拟合效果良好。在预测消息的影响力问题上。(3)论文提出了两种不同的方法对消息的受欢迎程度进行预测,一种是基于目前较为通用的特征工程的方法,预测准确率能够达到83%左右。另一种方法是基于深度学习的方法,在分类模型上则选取了适用于文本分类任务的TextCNN,该方法的准确率也达到了 73%左右。