随着我国金融行业对外资企业的全面开放,我国金融行业市场竞争日趋激烈,而银行网点的选址作为银行经营的重要环节之一,也成为了银行等金融机构需要迫切解决的问题,因此,如何进行科学合理的选址也显得尤为重要。银行网点在进行选址时,需要考虑的影响因素十分复杂。且各因素相互关联,影响较大,难以准确地用数学模型描述,选址决策结果和影响因素之间的关系多是非线性的,而传统的选址方法在预测上存在一定的弊端,很难真正的为决策者提供理论支持。而近年来,伴随着大数据和机器学习相关技术的发展,其不需要建立复杂的数学方程便可学习大量的输入输出模型的映射关系,使得其在选址问题中得到广泛应用。因此,本文结合多源数据与机器学习算法,构建银行网点选址模型,为银行网点选址提供科学合理的选址决策。主要工作如下:(1)结合国内外研究现状对银行网点选址原则及影响因素进行分析,并确定了本文工作中多源数据处理方法以及网点选址所需要的基础特征。(2)利用Pearson相关系数与序列后向选择法从特征集中选择最优特征子集;针对标记数据样本量较少的问题,利用协同训练方法,将特征集划分为两个特征子集,即两个视图,针对每个视图训练出一个强泛化分类器,设定置信度阈值,对部分未标记数据进行标记,扩充训练集。(3)构建基于stacking多模型融合的集成学习算法应用于银行网点选址模型,即构建两层学习器,第一层为使用基础特征的多个基分类器,第二层将第一层学习器中的输出概率作为特征,构建基于逻辑回归的分类器,并对其损失函数进行优化,以保证更好的选址方案其排序更靠前。最后,以重庆市某银行网点选址作为研究目标,综合多种评价指标对本文算法进行验证。实验结果表明,本文算法优于其他算法,具有较高准确性,具备一定的应用价值。