امروزه محققان با حجم وسیعی از داده مواجه انـد كـه بخـش زیـادی از آنهـا سـاختار پردازش پذیری ندارند. دو مورد از چالش های اصلی در این زمینه بالا بودن ابعاد فضای ویژگی و حجیم بودن داده های در دسترس است. به منظور رفع این چالش ها، مقالـة پـیش رو یـك روش انتخاب ویژگی مبتنی بر ویژگی های هدف ارائه كرده است كه در كاهش ابعـاد فضـای ویژگـی تأثیر زیادی دارد و همچنین برای مقابله با حجم بسیار زیاد نمونه هـای آمـوزش، بـا اسـتفاده از روشهای انتخاب نمونة اولیه، به ویرایش مجموعه آموزش می پردازد. روش پیشـنهادی در ایـن مقاله در سه فاز اجرا شده است كه هر فاز بهبودیافته فاز قبل است و علاوه بـر دسـت یـافتن بـه نتایج مناسب در هر فاز، در پایان فاز سوم روش پیشنهادی بیشـترین كـارایی را بـه دسـت آورد. برای ارزیابی كارایی روش پیشـنهادی، ایـن روش بـا یكـی از الگـوریتم هـای موفـق در زمینـه پیش بینی بازار مقایسه شد كه با وجود كاهش نمونه های آموزش توسط الگـوریتم هـای انتخـاب نمونه اولیه، به نتایج بسیار بهتری نسبت به آن الگوریتم دست یافت.