随着新一代科技革命和产业结构的变革发展,以互联网为依托的在线购物迅速发展,网民数量也突飞猛涨,并且在政府不断推动供给侧结构性改革的不断作用下,仅仅在二十年的时间里,中国超过美国,发展成为世界上最大的电子商务市场,也成为世界上渗透率最高的电子商务市场。同时,对于消费者网购行为分析的机器学习算法也得到了不断的完善和发展,其中分类算法是机器学习算法中最常用的方法。本文对网上购物消费者消费行为的研究背景和研究意义进行了简单的阐述,总结了国内外在消费者网购行为方面的研究进程。后面重点介绍了两种经典的监督学习学习算法（朴素贝叶斯和SVM）,集成学习的分类算法（随机森林）和深度学习中的多层感知机（BP神经网络）,详细的介绍了每种分类机器学习方法背后的数学原理和算法流程。本文利用了2017年亚马逊网购平台网购消费者行为信息,从中随机抽取了12330个样本数据,对网购消费者最终是否以完成交易作为结束进行分类预测。首先,对数据进行预处理,包括数据缺失值处理、数据类型的转换、数据的标准化等;其次对经过预处理的数据集,分别使用两种经典的分类机器学习算法（朴素贝叶斯、SVM）和集成学习分类算法（随机森林）进行建模预测,并使用混淆矩阵、准确率、ROC曲线和AUC值等评价标准对模型进行评价。最后,对经过预处理的数据,采用多层感知机进行建模评估,通过实验结果对比,多层感知机的分类算法与传统经典的几种机器学习算法比较,准确率、F1值、AUC值均有所提高,分析得到多层感知机分类算法优于传统的机器学习算法。