随着大数据时代的到来,亟需设计高效的机器学习算法来分析大规模数据。在实际情况中,数据通常由多个参与方生成。有些数据可能涉及到隐私等安全问题,数据存在孤岛和垄断现象,对需要大量数据完成训练的模型构建任务极为不利。数据的存储、安全和传输问题激发了区块链的研究。区块链科技在近年来也获得了多国政府部门的资金支持,且发展势头很快,其迅速发展也受到了社会各界的普遍重视。本文结合区块链和机器学习,设计了一种在Hyperledger Fabric区块链上进行机器学习的架构,帮助解决机器学习中数据安全相关问题。以实证研究的方式,探讨了在Hyperledger Fabric链上机器学习的有效性问题。针对电信运营商客户流失数据集上构建相同参数组合的两种分类模型——逻辑回归和决策树,并分别在链上、链下进行机器学习。通过可视化分析,从用户类型、服务属性、合同信息三个角度找出了高流失客户的特征,并据此输出了高流失客户画像。在链下对数据集做出了一系列预处理工作,如数据转换、数据清洗等。为了减少数据冗余,结合数据分析和皮尔森相关系数方法进行了特征选择,剔除了对结果影响较弱的3个特征。模型训练过程中,为进一步提高分析准确度,通过网格搜索结合交叉检验以及设定不同阈值,确定了最佳的建模数据选择。链上逻辑回归模型分类精度为81.59%,与链下的结果一致。同样的,链上决策树模型以82.50%的分类精度略高于逻辑回归模型,其精度也与链下完全一致。实验证明,逻辑回归与决策树分析模型在同一数据集、相同参数组合下,在链上的分类精度与链下完全一致。链上机器学习是可行并有效的,在解决了机器学习中数据安全相关问题的同时,通过链上智能合约的部署,机器学习模型构建只需要调用合约命令即可完成,大大提高了工作效率。