现如今,网上购物已经成为了人们日常生活不可或缺的一个部分。在网上购物的情境下,买家和卖家不再需要进行面对面的交易,这给卖家直观的掌握顾客的需求和反馈提供了一定的障碍。但在另一方面,网上购物为数据分析提供了便利。顾客在网上发生的所有购物行为都被计算机记录在案,这使得商家能够通过这些数据分析顾客的行为从而了解消费者的需求和偏好,甚至能够预测顾客的购买行为。因此本文提出了一种基于用户聚类和特征选择的机器学习模型,根据用户的人口统计学特征对用户进行聚类,再从大量的顾客历史消费数据中学习出消费者购买行为模型,当有新的顾客信息数据和购物行为数据输入时,即可实现对顾客的购买行为进行预测。本文首先对在线购买行为的影响因素和关于购买预测的研究进行了文献综述,对网络购买行为的特点进行了深入分析。同时,本文发现当前以大数据分析为基础的网络购买行为研究仍处于起步阶段,研究的深度和广度还无法满足业界电子商务发展所带来的这方面的诉求。所以本文以阿里巴巴的电子商务交易作为研究背景,并将阿里巴巴大数据竞赛提供的真实购买行为数据以及通过仿真得到的用户人口统计学数据作为研究数据,先对用户进行聚类,再对用户的在线购买行为进行建模。首先使用K-means算法对将用户分为六个类,再用SQL Server以原始数据为基础,构造多个新的特征,并利用基于Extra-trees的特征提取算法,提取出最优的20大特征。然后对每一个用户类,本文选择了逻辑回归算法,将这20个特征输入到对应的预测模型。实验证明,基于用户聚类和特征选择的机器学习预测模型能够较为准确地预测顾客的购买行为。