选址,就是对店铺地址的选择和确定,在商业竞争日益激烈的今天,选址问题基本可以说是商家在整个经营过程需要考虑的问题里最重要的一个,因为作为商家,他们可以随时根据需要调整经营商品的种类,价格,服务方式以及促销手段,但是商铺位置一旦确定,则具有长期不可更改性,一旦更改要耗费大量的人力和物力,所以如果能最开始就使得商铺占据了一个交通发达,人流量较多的位置,店铺的经营效率会更高,相应的经济收益也会更大,特别是对于连锁店的商家来说,考虑的不光是一家店铺的选址问题,更要综合考虑区域内和其他品牌连锁店的相互竞争和影响,以及同一个区域内设置分店数目是否合理等,那么如何制定出一种更加科学化,更加准确的针对城市中连锁店的选址模型就是本文所要探讨的问题。本文对现有的结合大数据和机器学习算法的选址模型进行进一步的研究和优化,首先对机器学习的不同分类算法进行了介绍,结合零售店选址的相关理论总结出了对选址结果有较大影响的多方面因素,特别针对影响连锁店选址的因素进行了总结,并对这些因素进行分解,结合已有数据集进行特征提取,然后利用SFS算法进行特征选择,目的是提高最终的推荐准确率。接着我们以上海市华氏大药房分店选址为研究目标,将我们已有的上海市交通数据、各个机构点分布的相关数据集,分别结合机器学习中的GBRT,SVM以及RFC算法进行实验,确定在选址问题上最适合的算法,并利用不同特征多次实验,综合多种评价指标对各个算法的性能进行了判断,验证了我们对模型优化手段的有效性。本文的工作内容为连锁店选址问题的研究扩展了思路,具有一定的研究和实用价值。