大数据时代下,机器学习被广泛运用到处理各种分类预测问题中。保险交叉销售预测可视为一个二分类问题,即客户对保险交叉销售产品感兴趣和不感兴趣两种。通过建立一个快速准确的分类模型来预测客户对保险交叉销售产品是否感兴趣,有助于保险公司精准识别投保客户群体,大幅降低保险公司搜寻客户的时间和费用成本,增加公司利润。因此,运用机器学习方法来建立一个适合保险交叉销售数据的预测模型对保险公司来说具有重要的现实意义。本文应用了Analytics Vidhya上381109条保险交叉销售数据,使用了当前在分类问题上运用广泛的支持向量机模型、逻辑回归模型和XGBoost模型进行分类预测。同时创新提出了Ada-Voting集成模型,该模型基于朴素贝叶斯、决策树、XGBoost算法,结合了Ada Boost模型的权重更新原理和Voting模型的加法集成原理。将分析处理后的实验数据分别代入SVM、Logistic Regression、XGBoost和Ada-Voting集成模型之中,进行模型训练并调整各模型重要参数,根据模型精度衡量指标（均方误差、准确率和ROC曲线AUC值）和模型效率衡量指标（拟合时间）综合对比四种分类预测模型。实验结果表明Ada-Voting集成模型相较其他三种模型在均方误差、准确率和ROC曲线AUC值等模型精度衡量指标中都表现的非常出色,可以快速准确地对保险交叉销售数据进行预测,具有广泛的适用性和优异的应用前景,因此最终选取Ada-Voting集成模型对该数据进行预测,并根据Ada-Voting集成模型对数据集特征重要性进行排序分析,结果显示客户过往有无车辆损坏、有无车辆保险和客户年龄是重要性排序前三的变量。Ada-Voting集成模型得出的分析结果将有助于保险公司制定针对性的营销方案,进而高效地实施保险产品交叉销售。因此本文提出的Ada-Voting集成模型为交叉销售等实际应用领域与分类问题理论研究方面提供了更多创新思路。