近年来随着机器学习研究的发展和新成果的出现,越来越多的机器学习算法被广泛应用于日常生活中。目前对于机器学习算法的研究大多基于一些数据集,通过对这些数据集采用合理的数据分析手段挖掘出数据蕴含的信息,这些信息对于一些行业的发展具有一定的参考价值。而电影数据具有数据量大、来源广泛、易于获取等特点,基于此本文以电影数据分析预测问题为背景,研究了基于Stacking的集成学习方法、多源加权Tr Ada Boost的电影评分预测方法和基于领域自适应算法的电影评分预测模型。首先,本文在电影数据预处理与特征工程部分,以IMDB电影数据集为研究对象,开展了特征编码、构造电影综合类型影响指数、导演和演员分级、特征筛选、删除奇异电影样本等研究工作。然后,本文研究了基于Stacking集成学习方法的电影评分预测模型,该模型的基学习器集成了多种单一的机器学习模型。通过实验对比发现,Stacking集成学习模型在预测电影样本评分时相较于单一的机器学习模型可以有效降低预测误差,具有一定优势。接下来,为了解决现实场景中电影数据样本大量缺失电影评分标签而导致不能训练出预测评分效果较好的机器学习模型问题,本文结合迁移学习理论用于模型的评分预测。本文先采用了一种基于实例的多源加权Tr Ada Boost迁移学习方法进行研究,并基于集成学习部分的研究内容将Stacking集成学习模型作为基回归器对电影评分进行预测。同时为了验证多源域迁移学习的实效性,本文进一步开展了多源域迁移、单源域迁移和无迁移的对比研究。基于单源域迁移部分的研究,为了进一步提升模型的电影评分预测性能,本文提出了一种多回归器的多源加权Tr Ada Boost模型,并通过对比研究验证其有效性。最后,本文采用了基于特征的领域自适应迁移学习方法开展研究。在研究中发现,由于目标域电影样本和源域电影样本存在特征维度不一致的问题,因此本文采用了结合降维算法的领域自适应迁移学习模型。同时为了降低模型的电影评分预测误差,本文基于集成学习部分的研究,将Stacking集成学习模型作为回归器。最终通过对比实验,验证了本文研究的领域自适应迁移学习模型具有有效性,能够较好地实现目标域电影样本的评分预测。