随着互联网技术的发展,电子商务的迅猛发展,网络购物行为已经越来越普遍,国内外的电子商务公司也从平台时代真正走向数据时代,走向个性化推荐时代。对于B2C这种电子商务形式,平台上的商品品牌数目纷繁复杂。用户每日在网络上的操作行为成指数增长,如何从庞大的数据中为用户进行个性化推荐,如何进行客户关系管理以及购物行为预测受到研究者的重视。本文主要研究基于模型组合的机器学习方法以预测用户的购买行为。针对基于用户在天猫网站的购物行为数据库,提取用户品牌的相关特征,采用随机森林和iGBDT (initial Gradient Boost Decision Tree)模型组合的机器学习的算法,预测用户在下一个月的购买行为。论文首先介绍特征的设计过程,利用对购物行为的分析设计出具有广度的特征,优化加工,利用随机森林算法对每个特征进行重要性评估,对特征进行加工,优化和完善。由于特征间相关程度较强,所以采用决策树这种非线性的分类算法。由于决策树存在容易过拟合等缺点,本文采用模型组合的方式,即随机森林和梯度采样(gradient boost)模型结合决策树的方法,可以有效地利用本文提取的特征,得到较好的实验效果。并在此基础上分析两种算法的优劣性能。