随着计算机在商业领域广泛应用,积累了海量的个人消费行为数据。研究消费行为数据,分析并预测消费者的消费需求和消费倾向,对企业制定生产和营销计划具有重要指导作用。为了预测消费者的消费行为,挖掘消费行为数据中的隐藏信息,主要进行如下工作:首先,优化分类回归决策树的生成方法,通过分析数据在属性取值上的分布特性限定属性的最大分割次数;为属性选取标准添加缺失数据惩罚因子,降低将缺失取值较多的属性选取为分割节点;同时,将离散属性的分裂标准由二分裂改为多分裂,从而获取具有较高分类预测准确率和较小规模的决策树模型。其次,针对现有决策树剪枝算法的缺点,提出新的动态结合决策树的分类误差和规模量的剪枝标准,不需要独立剪枝数据集,并综合考虑决策树的分类误差和存储规模,解决单一指标剪枝出现偏向,获得更加平衡的决策树,提高决策树模型的泛化能力。最后,将优化改进的分类回归决策树生成算法和决策树剪枝算法应用于划分消费群体和预测消费者购买倾向。