在当今互联网快速发展的时代背景下,线下支付、电子商务、O2O、社交媒体等行业都在不断的崛起,智能手机在其中起着至关重要的作用,也越来越多的影响和改变着人们的生活和工作,逐渐成为一个人手必备的大众消费产品。由于电子商务行业的迅猛发展,人们的购物方式也发生了重大的变化,从传统的线下购买逐渐转变为如今的线上购买,为手机市场开辟了新的销售渠道。从电商的角度出发,手机的销量问题极大地影响着经营的收益、商品库存量的确定以及营销方案的制定。如果能够通过建立模型较好地预测各种型号的手机销售量,电商可以确定合理的库存量以实现收益最大化,并且可以及时获取用户需求,把握商品未来的市场趋势,也便于顾客在各种类型的商品中进行挑选和购买。近年来,数据挖掘算法和机器学习技术不断成熟,逐渐得到了广泛的应用。决策树、随机森林、神经网络、支持向量机(SVM)等方法不同于传统的线性回归模型,不需要满足对数据分布的假定,预测效果也比较理想,所以逐渐被应用在统计预测模型中。由于在手机销量预测模型中,需要考虑到的影响因素众多,模型可能会较为复杂,因此本文将利用数据挖掘方法进行建模分析。论文基于网络抓取方法从某电子商务网站收集了3327条手机信息,选取包括销量、价格、品牌、内存、操作系统等影响手机销量的32个关键因素。首先对数据进行预处理,并用Boruta算法和Lasso方法进行初步的变量筛选,剔除掉对模型贡献率小的因素,以降低模型的复杂度,最终筛选出21个变量进行下一步的分析。而后对训练集数据建立预测模型,主要采用的模型是支持向量回归模型、BP神经网络回归模型和随机森林回归模型,经过反复调整参数,达到各个模型的最佳拟合效果。为评价模型性能的优劣,使用五折交叉验证方法对比三种模型的预测效果,结果显示随机森林回归模型效果最好,性能最优。最后使用测试集数据对三种回归模型进行预测误差检验,对比各个精度评价指标,表明随机森林回归模型是最佳的,其对于手机销量预测具有一定的参考价值。