在过去数据量较小的时候，传统的公共管理研究方法往往可以较为有效的对数据进行处理，然而随着互联网的普及和大数据时代的到来，传统方法难以处理大型数据集的劣势暴露无疑，一方面，传统的研究方法强调基于已有经验和知识框架来对社会问题展开讨论，因此它很难挣脱先验知识的枷锁，而且数据激增将更多的研究相关变量带入了人们的视野，仅立足于前人的结论试图推进新研究，很显然是不具备说服力的；另一方面，传统分析方法拘泥于变量间的线性关系，擅长构建线性模型，而对非线性特征及建模重视不足，如此产生的研究结果是容易遭到质疑的。基于上述原因，开发新的技术方法来提高社会治理效率，优化政策制定已经成为科学界亟待解决的问题。
　　面对这样的现实，本文提出了一种可以应用于社会治理的数据驱动的机器学习方法。机器学习方法的优势主要在于：首先，机器学习从特征选择到分析建模，直至预测，整个过程都是紧紧围绕着数据进行的，不会受到先验知识的干扰，可以有效的提取出传统方法难以找到的未曾被关注过的影响因素，从而使特征选择过程能够更准确地完成；其次，机器学习算法的计算能力和运算速度都远超过传统分析方法，因此可以大大减少数据处理的时间，降低人力和时间成本。
　　为了验证数据驱动方法的确拥有极高的应用价值，本文进行了两项案例分析，分别是环境因素与城市精神状态的相互关系研究案例和老年人晚年身体健康状况影响因素研究案例，在这两个案例中，我们把使用传统研究方法计算出的结果与运用机器学习方法得出的结果相比较，数据显示机器学习方法的预测准确率均高于传统方法，这有力的证明了把数据驱动的机器学习方法应用于社会治理研究是完全可行的。