随着社会发展和大众生活水平的提高,文化娱乐成为人们释放压力的主要途径。电影行业的飞速发展,也使其成为文化娱乐的重要组成部分。遗憾的是,国内成功的电影占比很小,每年拍摄的影片绝大多数很难收回成本,电影票房的预测显得尤为重要。我们选出对电影票房影响较大的因素,建立性能较好的预测模型给电影制作以及宣传提供数据支持。本文利用集成学习来研究电影票房,通过两个数据集验证了基于XGBoost算法的电影票房预测优于随机森林算法和GBDT算法。第一个数据集我们选择Kaggle竞赛中电影票房预测的数据集。数据预处理部分,本文将部分取值不随影片变化的因素量化为具体数值,另外的因素直接量化为哑变量。然后利用XGBoost进行特征选择,给出特征重要性排序,删除冗余属性,降低模型复杂度。通过模型性能评估指标,选出预测精度相对较高的模型。最后利用交叉验证和网格搜索对模型调参,提高模型的预测精度。第二个数据集是选取2019年国内电影票房排名前100中的56部电影的相关数据,建立模型。通过评价指标,得到XGBoost模型更能精确预测电影票房。