本研究的立足点是心理学行为主义学派“刺激——反应”理论在服装消费行为决策过程中的延伸，并在购买者行为模式的基础上提出了服装消费决策行为系统整合模型，笔者试图通过系统整合的思想，采用数据挖掘的最新技术——混合机器学习(Hybrid Machine Learning，简称HML)力图找出具有不同购买反应的人群特征的对应关系，即通过HML对所采集的数据库的运行及其分析，构建上海地区服装消费在“购买产品及其数量选择”、“购买地点选择”和“购买者确定”三个子模型，从而勾勒上海家庭服装消费决策行为系统整合模型。并在此基础上，提出了市场应用模型，即以消费者价格偏好为细分市场的指标，对具有不同偏好的消费者之特征进行归纳提炼，并指出其对应的商店选择偏好和购买决策者分配模型，以及相对应的消费金额，并进一步预测其市场容量。 混合机器学习是在智能信息处理上的最新应用，它把以决策树为基础的归纳学习与模块化的神经网络算法结合起来，从而提供了一种在知识基础上进行证实和确认的行之有效的智能化数据挖掘过程，其核心算法是ID3和FTART。 为确保研究样本数据的科学性、全面性、典型性和准确性，笔者结合由本人主持完成的香港理工大学ITC的“中国家庭服装消费结构状况及影响因素”的课题研究，采用了上海统计局家庭计划调查网络，抽取样本300户，回收有效问卷292份，整个调查历时一年，分四季完成。期间先后进行选取调查地区、调查对象及进行调研员的培训等工作，同时对调查问卷也做了设计修改，采用入户跟踪问卷调查的方法，得出有效数据，建立基于HML数据挖掘技术要求的数据库，并运用HML数据挖掘软件系统分析了上海家庭服装消费的决策行为及其影响因素。在研究过程中，根据服装本身的特征将其分为12类，它们是：内代、恤衫、衬衫、毛衣、牛仔装、套装、休闲服(便上装)、外套、运动装、裤/裙、鞋类和面料。 在研究中发现，尽管国际上家庭服装消费研究在服装支出领域己经达到了相当高的水准，但是在这一领域进行的数据挖掘技术的研究仍然几乎是空白。这虽然给论文的研究卜作带来一定的困难，却赋予了这项研究探索学科前沿、发掘新方法、以自然科学理论解决社会经济问题的突出意义。具体迩一言，本研究的创新之处可以归纳为:(1)率先将基于人工智能的数据挖掘最新技术和成果应用于传统的服装消费行为的研究，不仅视角独特而且在消费行为研究的方法论上有所突破。(2)利用数据挖掘工具将家庭服装消费行为的各个方面进行了系统的整合研究，突破了传统研究的单一性和局部性，从而挖掘真正代表消费者购买倾向的规则和模式，并将研究结果应用于市场实际操作加以验证，实现理论与实践的结合。(3)将以数理统计为中心的传统统计方法与以市场数据为中心的数据挖掘技术方法交叉应用于服装消费行为的实际问题研究，取长补短，融会贯通。