个人行为预测（以下简称行为预测）是通过一个人过去的行为和表现预测其未来的行为和表现。行为预测可以帮助我们更好地认识目标对象,既可以提前采取引导措施以获得期望的结果,也可提前实施防范手段以避免坏结果产生,因此行为预测研究在风险防范、精准营销、员工挽留等许多领域都具有重要意义。现有的预测方法已经取得了一定的成果,然而没有处理好行为数据存在的特征维度高、有效数据不足、数据类不平衡、数据动态增加这一系列问题,忽略了方法的准确度、计算效率、普适性等方面的问题,综合性能相对较低,影响了其在实际中的应用。针对已有的行为预测方法存在的缺陷和不足,本文构建了基于随机森林的行为预测框架,解析了框架中的关键技术,提出了三种基于随机森林的行为预测算法,并分别应用于员工主动离职预测、新金融产品购买预测以及信用卡客户违约预测的实践中验证其有效性。本文的主要内容如下:（1）针对行为预测问题的特点,结合行为预测问题存在的数据不平衡、特征维度高、数据量不足以及数据动态增加等特征,构建了基于随机森林的行为预测框架。该框架由数据收集、数据预处理、特征工程、数据拆分、模型建立、性能评估、改进优化和分类预测共八个模块组成,并基于此框架提出了三种不同的基于随机森林的行为预测方法。（2）针对数据类不平衡和特征维度高的一类行为预测问题,提出了加权二次随机森林算法。首先对特征重要性排序,实现降维,然后采用随机森林建模,利用F-measure值计算每棵树的权重,通过加权投票得到分类预测结果。通过员工真实数据集进行实验,表明该算法与随机森林、决策树、逻辑回归、BP神经网络等算法相比,在多项评估指标上都有显著的提高,尤其是召回率和F-measure。实验结果可帮助人力资源部门更准确地预测员工离职,同时还可发现影响离职的重要因素,为降低员工离职意愿提供参考。（3）针对有效数据不足、冷启动等行为预测问题,提出了迁移随机森林算法。该算法首先将大量与研究对象相似的历史数据作为源域训练样本,将从研究对象获得的少量数据作为目标域训练样本,源域数据随机有放回抽样与目标域数据的全量相结合,形成训练数据集。然后为每一个样本赋予权重,给予目标域样本更大的权重。在生成随机森林的过程中,样本权重既参与基尼系数的计算以决定节点分割的特征,同时又参与每棵树权重的计算。最后采用加权投票确定最终的分类结果。该算法针对葡萄牙银行直销数据集就新金融产品客户购买行为进行了预测,可精准锁定目标客户。实验表明该算法与随机森林、决策树、逻辑回归和自适应提升算法相比,在多项评估指标上具有更好的性能。（4）针对数据动态增加的一类行为预测问题,提出了增量随机森林算法。该算法首先建立基础随机森林模型,然后让随时间陆续到达的样本全量直接参与增量建模,接着构建支持增量学习的分类决策树,最后丢弃贡献最小的样本以释放不必要的空间占用。该算法针对信用卡客户违约行为进行了预测,可实时根据动态增加的数据调整模型,以达到更好的预测效果。实验表明该算法与随机森林、决策树、逻辑回归、朴素贝叶斯、BP神经网络、支持向量机相比,在多项评价指标上性能更好。