随着经济的全球化和科学技术的不断发展,产品价格预测在经济金融领域和产品生产领域起着重要的作用。因为产品的属性众多,对产品价格进行预测需要选择合适的产品特征和预测方法。本论文主要从随机森林模型,岭回归模型和XGBoost模型等单一模型及其融合模型方面对价格预测模型进行了研究,主要的工作内容如下:对原始数据进行预处理,由于原始数据存在一些不完整或不一致的数据,并且存在非实数值描述的离散型数据集特征,使用数据预处理技术对原始数据进行处理,为后续模型训练做数据准备。根据随机森林算法度量数据特征的重要性,选取重要性较高的特征项作为模型训练所需的数据的特征,以提高模型预测准确度。重点对线性回归算法、岭回归算法、决策树算法、随机森林算法和XGBoost算法进行了研究,使用电子产品价格数据集对上述算法进行实例分析,选取预测效果较好的预测算法。因为数据集中具有相似特征的数据存在价格差异,首先使用聚类分析方法得到新的训练数据集,并基于新的训练数据集设计了价格预测单模型,通过对此单模型进行调参,并对不同参数值下的单模型进行均方根误差比较,确定预测效果理想的单模型。通过Boosting算法得到各单模型的权值,使用加权平均的方法对单模型进行融合,得到最终的融合模型。使用融合模型对电子产品价格进行预测,并比较单模型和融合模型的均方根误差、平均绝对误差和R平方值。实验结果表明,融合模型具有更好的预测效果,并且融合模型的预测结果与实际价格拟合程度更高。