随着近几年来现代科学技术的快速进步和迅猛发展,智能手机的普及率和使用率不断的提高,人们在日常生活中对智能手机的依赖日益明显。与此同时随着APP数量的井喷式增长以及种类的日益多样化和生活化,人们往往会花费大量时间在智能手机APP上。用户选择APP的行为是由其特征决定的,由于隐私性的限制,使得直接收集用户信息变得愈发困难,所以依据用户的行为和习惯来判断用户的特性已经成为又一个新的研究领域和方向。大部分研究倾向于用分类方法对APP进行研究,但主要研究方向是有关移动用户的行为特征。此外,在对用户特征进行的预测分类中,使用的模型往往是单分类模型,越来越多的学者会充分利用集成学习,综合多种模型来研究如何解决分类的问题。本文基于Kaggle竞赛数据中一个有关移动用户APP使用情况的数据去建立一个移动用户的分类模型,主要内容包括数据的分析及说明、特征提取、特征筛选、降维、基模型的构建、Stacking融合模型的构建以及对模型结果的分析。本文利用对数损失这一指标衡量模型预测准确度,利用Q统计量度量各基模型之间的差异性,综合准确度和差异性两个方面,最终在SVM、XGBoost、LightGBM、随机森林、人工神经网络、k近邻、逻辑回归7个模型中选择了神经网络、随机森林、LightGBM、SVM作为融合模型的基模型,第二层的模型选择了逻辑回归,利用5折交叉验证对数据集进行训练,得到最终的结果。经过实证分析,对比单模型和集成学习(XGBoost、LightGBM、随机森林)来看本文建立的Stacking融合模型准确度更高。