随着互联网与人工智能的快速发展,信息获取方式更加多样,公众参与度越来越高,人们的一举一动都已成为大数据时代的重要产物。中国保险行业正处于高速发展阶段,其中健康险是近几年最受关注的险种之一。“十三五”期间,我国保险业作为“稳定器”与“助推器”,为我国国民经济的健康发展提供了可靠的风险转移与保险保障。根据“十四五”规划,在未来五年及更长时期,中国要着力开发与中速增长期相配套的新的结构性潜能,保险业面临更多挑战和机遇。现阶段,中国保险行业迫切需要优化传统的营销方式,进阶数字化营销,同时机器学习作为当前解决很多人工智能问题的主流方法,被广泛应用于各个领域。在这样的背景下,本文主要研究了机器学习算法在保险行业中的用户购买行为预测以及影响因素分析等方面的应用。收集到某公司的健康险产品用户相关数据,通过对个人信息、家庭信息、所处地区信息等39个变量进行了数据清洗与预处理,使用Boruta包装器结合Shap-value筛选出重要特征,提取可能存在影响用户保险购买的特征进行分析建模,并尝试用遗传算法对Cat Boost算法进行优化,得到基于GA-Cat Boost的保险购买预测模型。并将其与随机森林、XGBoost、light GBM三种分类方法所构建模型相比较。对比结果发现,GACat Boost算法在健康险购买预测中的应用具有明显的优势。将该算法与未经优化的Cat Boost模型进行了比较,验证了优化方法是有效的。通过对筛选前的特征集和所筛选后的特征集进行建模比较,验证了特征筛选方法是可行的。最后,借助Shap模型分析了影响消费者购买保险的重要因素及其对于用户购买行为决策的作用机制。该应用研究可以帮助保险行业提高业务效率、识别优质客户、减小业务推广阻力,同时为保险公司制定精准营销策略提供合理依据,以保证保险行业的健康发展。