在科学、商业和政府等领域数据在猛增。这使得非常有必要研究自动和智能的工具和技术，能够从这些海量数据中分析、总结并提取知识。大多数的知识发现或数据挖掘工具和技术是基于传统的统计、机器学习、模式识别或人工神经网络。受到噪声和高维度侵扰的巨型数据库给数据挖掘带来了挑战。由于在缺乏启发性的知识的情况下，遗传算法对于高维数据特征提取非常有效，所以遗传算法是克服挑战的重要选择。而统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，它不仅考虑了对推广能力的要求，而且追求在现有有限信息的条件下得到最优结果。支持向量机是在统计学习理论的基础上发展起来的新的模式识别方法。在解决有限样本、非线性和高维度问题中表现出许多特有的优势。在知识发现的过程中，数据挖掘通常包括三个主要步骤：数据的选择、清理、变换；对数据进行挖掘以提取规律；评估和解释所得到的结果。其中第一步是数据预处理，在数据挖掘的任何学习算法执行之前，进行这一步非常重要。数据预处理的关键是特征选择和提取。挖掘则只是整个知识发现过程中的一个步骤。数据挖掘的质量不仅取决于数据挖掘技术的有效性，同时也取决于数据预处理产生的数据的数量和质量。在从数据到知识的过程中，这些步骤通常被视为相互独立地进行。但事实上任何一个步骤的变化都会影响其他步骤，导致其他步骤不得不重新进行调整。在本文中，上述三个步骤通过一个目标有机地结合成一个整体。这个目标就是通过学习，使得挖掘出的规律具有最优的推广能力。具体做法是，首先采用遗传算法对数据进行特征选择和提取，产生新的特征空间；然后将之作为支持向量机的输入进行回归学习；进而输入测试数据，对学习的结果进行评估，考察其泛化能力。评估的结果又返回到第一步的数据预处理，作为遗传算法的优化方向。将这种方法应用于某预报模型，取得了良好的效果。