近几年,随着我国网络技术的高速发展和智能设施的不断升级,数字经济呈现迅猛发展的趋势,电商行业迎来发展机遇的同时也面临新的挑战。要想获得更多消费者的关注,电商平台就需要不断地实现领域创新,精准地了解用户的购买偏好,提升用户购买体验,占据市场竞争的有利地位。在如今信息爆炸的网络时代下,从海量真实的用户行为数据中挖掘出有价值的信息是研究的重点。本文采用机器学习算法预测电商用户的购买行为,并通过大数据技术挖掘原始数据集中显著的用户行为信息,提取并构造用户行为特征,经模型训练后得到最终的预测分类结果以及影响用户产生购买行为的重要因素,为商家抓住用户需求、实现商品的精准推荐提供可行性建议,本研究工作主要分为以下几部分:1.在构建相关统计模型前对数据进行可视化描述和数据清洗,此环节通过对原始数据的描述统计来大概了解数据集的整体分布情况,然后进行一系列数据预处理工作以便于后期的特征工程,主要包括空缺值、异常值、噪声数据的处理和相关数据转换。2.本文在数据集原始特征的基础上,两两组合构造更多的衍生特征,但为了避免提取的特征过多而导致模型过拟合,利用SVM为基准模型来递归特征消除,提取重要性前11个行为特征用于后面模型的构建,特征选取不仅使得模型训练的速度加快,而且也有效地提升了模型性能。3.本研究在模型构建时,首先应用了2种传统单一的机器学习模型,预测准确性达到78%;然后又利用3种集成学习预测用户是否产生购买行为,包括2种同源集成和异源集成Stacking算法。模型训练后的实验结果表明:3种集成学习的预测精确度都达到82%以上,明显高于传统单一的机器学习模型,且Stacking算法的预测准确性优于同质集成,模型效果和性能都更好一些。最终得出:商品的价格、差评率和用户购物过程的其他行为次数等因素都对用户重复购买有一定的影响作用;用户购买行为的预测模型研究中,Stacking算法的模型预测效果更好一些,模型的评估指标和AUC值都优于单一和同质集成的机器学习算法。