机器学习致力于解决大规模的、复杂的任务,所以发现大量数据中的潜在相关信息变得越来越重要。在许多应用领域中,如基因工程、文本挖掘和商业智能,数据规模无论从特征数量上还是从样本数量上都在日益增大。这对已有的机器学习算法提出了严峻的挑战。特征选择能够移除不相关特征,提高学习效率,改善学习性能,增强学习结果的可理解性。特征选择在处理具有较多不相关特征的高维数据上已被证明是一种有效的手段。尽管出现了大量的特征选择算法,特征选择仍然面临着新的挑战:如何处理高维海量的样本。如果样本数量巨大,那么通常的方法是从部分数据中学习,无损于性能地达到初始目标。目前普遍采用的样本选择方法是随机抽样,然而随机抽样方法没有利用数据的任何特点,比较盲目。本文提出一种改进的遗传算法,利用改进的遗传算法搜索样本空间,将得到的训练集的近似最优代表性子集作为训练集去分类评估集。同以往的随机抽样方法相比,在同样的特征子集的情况下,本方法使用的样本数量更少且预测准确率更高。本文主要工作包括以下两方面:1.针对寻找训练集最佳代表性子集的任务,遗传算法在染色体表示、交叉方式和变异方式上进行了改进。针对现实的二值分类中正向样本数极少且分布不平衡的特点,提出利用正确正向分类结果与错误正向分类结果的比值作为遗传算法的适应度函数。2.提出基于改进的遗传算法的样本选择模型,把该样本选择模型与局部进化特征选择算法相结合,并将其应用在潜在客户预测中。利用UCI标准数据集对本文所提出的样本选择模型进行测试,实验结果证明了该模型的有效性。