简介面向高校计算机、信息技术及应用数学等专业学生的Python电影票房预测项目以决策树算法为研究主线完整覆盖ID3、CART与GBDT三种建模方案从数据清洗、特征工程到模型训练、效果评估与可视化展示行文与代码结构清晰适合作为课程设计、学期项目或毕业论文的辅助参考。压缩包共62个文件主体为16个Python源码和8个pyc字节码文件配以17个训练好的dat模型、9个Excel格式的数据集、10个zbak备份文件及说明文档整体容量仅4.59MB便于下载和本地运行。源码中包含多个迭代版本的树模型实现、GBDT训练与测试脚本、数据预处理和决策树绘图模块可完整复现电影票房预测实验流程备份文件和中间产物也有助于深入理解算法细节和排查问题。目前已有47人学习下载适用于希望快速掌握决策树实践应用、或需要可扩展项目模板的高校学生与初级算法爱好者。1. 为什么拿决策树当电影票房预测的第一版模型如果你在网上搜“Python电影票房预测系统”十有八九会跳出来一堆用神经网络、LSTM、XGBoost做的复杂方案。但真到实际开发或毕业设计时我建议你先用决策树算法打底。原因很直接电影票房预测本质上是回归问题——输入电影的上映档期、导演、主演、类型、宣发投入这些已知条件输出一个具体的票房数值。决策树回归器DecisionTreeRegressor对这类表格型特征非常友好它不要求特征经过复杂的归一化对异常值不敏感训练完还能把整棵树的判定逻辑画出来向不懂算法的业务方解释“为什么预测这部片子能卖5亿”时决策树比神经网络好讲得多。这篇文章适合刚接触机器学习、想独立跑通一个完整预测系统的人也适合已经把深度学习玩熟、但需要一个可解释基线模型做对比的从业者。我会从特征工程、模型训练、调参、评估一路写到踩坑最后给出升级到集成模型的具体做法。2. 决策树预测票房先做对选型和特征工程后面才少返工2.1 先用回归树不要用分类树先分清要预测的是数值还是档位很多人拿到“票房预测”直接写DecisionTreeClassifier这是第一个常见错位。票房是一个连续数值不是“高票房/低票房”二分类。当然如果你只想预测“是否过亿”分类树是合理的但系统标题明确是“票房预测系统”输出就应该是一个金额数字。在 scikit-learn 中回归树和分类树的接口几乎一样区别只在第一行代码from sklearn.tree import DecisionTreeRegressor model DecisionTreeRegressor(random_state42)逻辑说明DecisionTreeRegressor在叶节点上保存的是样本目标值的均值预测时直接输出这个均值。它的分裂准则默认是squared_error均方误差也就是每次划分都选能让两个子节点的 MSE 下降最多的特征和阈值。分类树用的是基尼系数或信息增益两者在底层实现上完全不同硬拿分类树做回归会得到一团离散的类别概率没有任何参考意义。参数说明random_state42是固定随机种子保证每次运行结果可复现。如果你后面用GridSearchCV做交叉验证这个种子也要固定在同一个值否则不同轮次的数据划分不一致调参结果不可比。2.2 特征怎么选票房预测里最有用的六类输入电影上映前能拿到的公开信息有限决策树能发挥多大作用取决于你喂给它的特征。我一般会把特征分成六组影片属性类型动作、喜剧、动画等、时长、是否是续集、是否有IP基础。主创信息导演历史票房均值、主演历史票房均值、导演和主演近三年作品数量。档期信息上映月份、是否春节档/暑期档/国庆档、上映日星期几。宣发数据排片占比预估、预售票房、想看人数猫眼/TB。市场环境同期竞争对手数量、前一个月大盘票房热度。影片评级豆瓣想看人数、预告片播放量如果有。注意这些特征里“想看人数”和“预售票房”非常接近电影实际开画后的表现放进模型可能会造成标签泄漏见第5章。我的经验是第一版模型先只用上映前一周能确定的数据比如档期、类型、主创阵容把预测精度做出来后再逐步加入营销期特征。特征编码时数值型直接保留类别型采用两种策略import pandas as pd # 示例从原始数据构造特征矩阵 df pd.DataFrame({ genre: [动作, 喜剧, 动画], is_sequel: [1, 0, 1], director_avg_box: [3.2, 1.5, 5.8], # 单位亿元 release_month: [2, 7, 10], holiday: [1, 0, 0], # 是否春节档 duration_min: [118, 96, 105] }) # 类别特征用独热编码注意 drop_first 避免多重共线性 df_encoded pd.get_dummies(df, columns[genre], drop_firstTrue) print(df_encoded.head())逻辑说明pd.get_dummies把genre拆成多个0/1列决策树天然适合这种二分特征。drop_firstTrue的作用是删掉第一列比如“动作”作为基准否则三分类会变成三列冗余特征虽然决策树不太受共线性影响但为了特征重要性的可解释性删掉更干净。参数说明release_month直接用数字1-12不是好选择。决策树可以从中学到“月份2和月份2”这类阈值但它无法理解1月和12月实际上是相邻的周期关系。更好的做法是把月份映射成“春节档、暑期档、其他”或者“Q1-Q4”。我会优先用节日档期二值变量而不是裸月份数字。2.3 为什么选决策树而不是线性回归或XGBoost线性回归是票房预测最常见的“教科书解法”但它需要特征与目标呈线性关系。票房和“导演历史票房”往往不是线性的头部导演票房奇高普通导演分布密集线性模型会被极端值拉着走。决策树通过递归划分把特征空间切成长条矩形不需要假设线性关系这是选它的第一个理由。第二个理由是缺失值容忍度。真实票房数据里很多电影的导演历史票房、主演热度是缺失的。虽然 sklearn 的决策树不能直接处理 NaN但你可以在预处理时用SimpleImputer填充中位数而树模型对填充方式的敏感度远低于线性模型。至于 XGBoost / LightGBM它们会比单棵决策树强但那是集成学习范畴。系统第一版如果用集成模型你既要调一堆超参数又没法向不懂技术的人解释预测逻辑。决策树作为基线跑通全流程后再无缝切换到随机森林或梯度提升代码改动量很小这个升级路径我会在第6章具体给出来。3. 用 Python 搭一套可运行的票房预测系统从 pandas 到 scikit-learn3.1 准备数据用 pandas 构造训练集和测试集我以最常见的形式为例一个 CSV 文件每行代表一部电影列为特征和真实票房。真实项目里你可能从猫眼、TB、豆瓣抓数据注意遵守平台条款这里直接用本地 CSV 演示。import pandas as pd import numpy as np # 读取本地数据假设列名已经整理好 df pd.read_csv(movie_box_office.csv) # 只保留我们需要的列避免把索引、ID等无关字段喂给模型 feature_cols [ is_sequel, # 是否续集0/1 director_avg_box, # 导演历史平均票房亿元 actor_avg_box, # 主演历史平均票房亿元 release_month, # 上映月份 1-12 holiday, # 是否热门档期春节/暑期/国庆1 drama_duration, # 时长分钟 genre_action, # 是否动作片 genre_comedy, # 是否喜剧片 genre_animation # 是否动画片 ] X df[feature_cols].copy() y df[box_office].copy() # 目标最终票房亿元 # 用中位数填充缺失值减少缺失样本的影响 from sklearn.impute import SimpleImputer imputer SimpleImputer(strategymedian) X_imp imputer.fit_transform(X) X pd.DataFrame(X_imp, columnsfeature_cols) print(X.shape, y.shape) print(y.describe())逻辑说明SimpleImputer(strategymedian)用每列中位数填充缺失。选中位数而不是均值是因为票房特征分布通常右偏均值会被少数高票房电影拉高用中位数更稳健。fit_transform是在训练数据上拟合并转换之后在测试数据上只能用transform不能重新fit否则会把测试集信息泄漏进模型。参数说明feature_cols里的genre_action等列是我手动构造的独热变量也可以在第2章的get_dummies之后用df.columns自动生成。如果你手上的 CSV 里genre是文本建议先做get_dummies再合并到feature_cols里。3.2 切分训练集并训练决策树回归器机器学习最忌讳拿全量数据既训练又评估。这里按时间切分更合理——用上映日期在某个节点之前的电影做训练之后的做测试模拟“用过去预测未来”。但为了演示常见套路先用随机切分from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 训练决策树回归模型 from sklearn.tree import DecisionTreeRegressor reg DecisionTreeRegressor( max_depth6, # 防止过拟合限制树的最大深度 min_samples_leaf5, # 叶节点最少样本数 random_state42 ) reg.fit(X_train, y_train) # 预测并看基础误差 y_pred reg.predict(X_test) print(预测值前5个:, y_pred[:5].round(2))逻辑说明max_depth6表示从根节点到叶节点最多6层每多一层模型复杂度成倍增长。min_samples_leaf5强制每个叶节点至少包含5个训练样本这两个参数是控制决策树过拟合最有效的手段。先不追求精度而是保证测试集误差不会离谱。参数说明不设max_depth时决策树会一直分裂到所有叶节点纯到极致训练集R2通常接近1但测试集一塌糊涂。min_samples_leaf5代替min_samples_split更直接因为叶节点样本数过少时预测值就退化成几个样本的均值失去统计意义。3.3 用网格搜索自动找到更好的参数组合手动试参太慢直接用GridSearchCV在交叉验证里搜索一组常用参数from sklearn.model_selection import GridSearchCV param_grid { max_depth: [4, 6, 8, 10], # 树深度 min_samples_leaf: [3, 5, 10], # 叶节点最小样本数 max_features: [0.5, 0.7, 1.0] # 每次分裂时考虑的特征比例 } gs GridSearchCV( DecisionTreeRegressor(random_state42), param_grid, cv5, # 5折交叉验证 scoringneg_mean_absolute_error, # 用MAE选模型更贴近票房误差 n_jobs-1 ) gs.fit(X_train, y_train) print(最优参数:, gs.best_params_) print(最优MAE:, abs(gs.best_score_))逻辑说明neg_mean_absolute_error是负的平均绝对误差sklearn 的 scorer 都按“越大越好”设计所以求最优时取绝对值。用 MAE 而不是 R2 选择模型是因为票房预测中你可能更关心“平均误差几千万”而不是解释方差比例。max_features设为小于1.0每次分裂只随机抽取部分特征能增加树的多样性对单棵树也能起到一定抑制作用。参数说明cv5会把训练集再分成5份轮流用4份训练、1份验证最终得分是5份验证误差的平均值。这个过程很耗时间但也最可靠。如果你的数据量超过几万条建议把cv设为3或者改用RandomizedSearchCV。3.4 保存模型和预处理器让系统能被别人调用训练好的模型光在笔记本里活着没用得持久化。我推荐joblib它能同时保存 numpy 数组结构和 sklearn 对象import joblib # 同时保存模型和插补器预测时必须使用同一个预处理器 joblib.dump(reg, box_office_tree.joblib) joblib.dump(imputer, imputer.joblib) print(模型已保存)逻辑说明joblib.dump会把对象序列化到磁盘文件load时就能恢复成可用的模型对象。为什么连imputer一起保存因为预测新数据时你要用训练时拟合好的中位数去填充新样本的缺失值如果重新 fit 插补器填充值就和训练时不一样了预测结果会偏移。参数说明实际部署时你可以把joblib文件放进 Flask/FastAPI 项目里每次接口请求先load模型、调用predict然后返回 JSON。注意 joblib 和 python 版本有一定兼容性跨环境部署时建议用pickle并在目标机器上重新验证。4. 把预测结果变可用评估指标、决策树可视化和特征重要性4.1 用 MAE、RMSE、R2 三个角度评估模型先不要急着看准确率回归问题没有准确率。看三个指标from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score mae mean_absolute_error(y_test, y_pred) rmse np.sqrt(mean_squared_error(y_test, y_pred)) r2 r2_score(y_test, y_pred) print(fMAE: {mae:.3f} 亿元) print(fRMSE: {rmse:.3f} 亿元) print(fR2: {r2:.3f})逻辑说明MAE 表示预测值平均偏差多少亿比如0.5意味着平均差5000万。RMSE 对大误差更敏感如果预测值里偶尔出现离谱偏差RMSE 会明显大于 MAE你能从两者的差距判断是否存在极端预测错误。R2 是模型解释的方差比例0.4 表示模型能解释40%的票房变动对电影票房来说已经不算差因为票房受随机因素影响极大。参数说明如果 R2 为负说明模型比“直接用平均值预测”还差这时优先检查特征有没有泄漏或者参数是否过拟合。3个指标尽量都打印出来单独看 MAE 容易忽略少数灾难性预测。4.2 把决策树画出来用 graphviz 看清每次分裂决策树最大的价值是“看得见”。用export_graphviz导出结构from sklearn.tree import export_graphviz import graphviz dot_data export_graphviz( reg, out_fileNone, feature_namesfeature_cols, filledTrue, # 根据预测值填充颜色 roundedTrue, precision2, # 显示2位小数 max_depth4 # 只显示前4层避免图太大 ) graph graphviz.Source(dot_data) graph.render(decision_tree_full, formatpng) print(决策树图已生成: decision_tree_full.png)逻辑说明out_fileNone表示把结果存成字符串交给 graphviz 渲染。filledTrue会根据叶节点的预测票房给格子上色深色代表高票房浅色代表低票房肉眼就能看出哪些特征组合会分裂出高票房分支。max_depth4限制渲染深度否则树一深图片就乱成一团。参数说明graphviz 需要额外安装pip install graphviz并在系统层面安装 Graphviz 软件包否则画图会报dot not found错误。中文特征名在这里会乱码解决方式见第5章。4.3 特征重要性告诉你系统靠什么预测决策树的feature_importances_属性直接输出每个特征的分裂贡献总和归一化到1importance pd.Series(reg.feature_importances_, indexfeature_cols).sort_values(ascendingTrue) importance.plot.barh(figsize(8, 6)) # 横向条形图方便显示完整特征名逻辑说明特征重要性的含义是“该特征在所有分裂节点中带来的方差降低量总和”。它不表示因果方向只表示预测依赖程度。我实际跑过的样本里is_sequel和holiday经常排在前列因为续集片自带观众基础、热门档期有放大器效应这符合业务直觉。参数说明当你发现某个业务上很关键的特征比如导演重要性接近0可能有两种解释一是该特征真的和票房无关二是它被另一个相关特征比如演员抢先分裂信息被覆盖。不要直接删除它可以换个模型或用 SHAP 验证第6章。5. 避坑指南决策树票房预测常见的5个翻车现场5.1 标签泄漏把“首日票房”“豆瓣开分”当特征现象模型训练时 MAE 只有0.05测试集 R2 高达0.98你觉得自己做出了票房神预测。但冷静一查特征列里包含了“首周票房”或“豆瓣评分超过8分”。原因这些信息只有电影上映之后才能得到。拿它们预测“未来票房”等于作弊模型实际学到的是“首周票房高 → 总票房也高”的恒等映射。一旦部署到真实环境你想要预测的电影还没有首日票房这些特征只能填0模型立刻失效。解决把所有特征删到“上映前可知”的范围内。一个简单的检查方法是如果你自己作为观众在电影上映前无法获知某个数据那就不能把它放进特征矩阵。预售票房和想看人数虽然是上映前数据但它们本身就携带了市场热度可以保留但要注明这些数据来自预热阶段而非影片本身。5.2 档期变量处理不当把“月份”当连续值现象模型的预测曲线在1月、12月附近波动剧烈春节档和普通档期的票房差异却体现不出来。原因决策树分裂月份时只能找类似release_month 2的阈值。12月和1月离得近但春节可能落在2月导致树无法表达“冬季档”这个概念。解决删除release_month构造is_spring_festival、is_summer、is_national_day三个布尔特征。这样每次分裂就是直白的“是/否”决策树更容易捕捉档期效应。如果非要保留月份就做np.sin/np.cos周期变换但决策树对周期变换不敏感不如直接二值化。5.3 过拟合不设剪枝参数训练集 R20.99测试集不到0.2现象模型在训练集上几乎完美预测每部电影但在测试集上完全崩溃个别预测值甚至出现负数票房。原因决策树不加约束会把每个叶节点分裂到只有一个样本完全记住训练集噪声。票房数据含有大量随机成分比如某部冷门片靠口碑逆袭这种极端样本会被树当作规律记下来。解决训练时强制设置min_samples_leaf10或更大。我常用的经验公式是样本总数1万设min_samples_leaf5样本5000以下设min_samples_leaf10。同时把max_depth交给网格搜索不要拍脑袋。交叉验证时如果best_score和训练集分数差距仍然很大说明剪枝还不够继续增大min_samples_leaf。5.4 中文特征名在可视化里乱码现象graph.render()生成的 PNG 里所有中文特征名变成方块或乱码完全没法看。原因Graphviz 默认字体不支持中文。解决在export_graphviz之前先把特征名替换成拼音或英文。或者修改 DOT 文件的字体设置dot_data export_graphviz(reg, out_fileNone, feature_names[f.encode(utf-8).decode(latin-1) for f in feature_cols], ...)逻辑说明这个临时方案是把中文字符转成 latin-1 可存储的范围但渲染时依然需要系统有中文字体。最稳妥的做法是特征名统一用英文比如is_sequel、holiday展示给业务方看时再单独做一个含义映射表。5.5 独热编码后特征列顺序不一致现象模型训练好了于是把joblib部署到线上预测新电影时报ValueError: Number of features of the model must match the input。原因你可能在训练时用 pandas 的get_dummies生成了特征矩阵类别变量自动拆列顺序取决于df.columns的顺序。部署时加载了一个经过不同处理流程的新样本列顺序对不上。解决把特征列的顺序固定到一个配置列表或者使用sklearn的ColumnTransformer把预处理、独热编码、模型训练打包成一个 Pipeline然后只序列化这个 Pipeline。这样线上预测时数据经过完全相同的预处理流程列顺序由 Pipeline 内部保证不会散架。6. 进阶升级从单棵树到随机森林再用 SHAP 解释单条预测6.1 一行代码替换实现随机森林决策树基线稳定之后你想提升精度最常见做法是换成RandomForestRegressor。它本质是训练多棵互相有差异的决策树然后平均它们的预测结果方差降低过拟合也更可控from sklearn.ensemble import RandomForestRegressor rf RandomForestRegressor( n_estimators300, # 300棵树 max_depth8, min_samples_leaf5, max_features0.7, # 每棵树只用70%特征 random_state42, n_jobs-1 ) rf.fit(X_train, y_train) rf_pred rf.predict(X_test) from sklearn.metrics import mean_absolute_error print(f随机森林 MAE: {mean_absolute_error(y_test, rf_pred):.3f} 亿元) print(f单棵决策树 MAE: {mae:.3f} 亿元)逻辑说明n_estimators300是经验值继续增加树的数量对精度提升很小但训练时间线性上涨。随机森林每棵树在训练时都会从样本中有放回抽样bootstrap并在每次分裂时随机选特征子集max_features0.7这让不同树之间的相关性降低平均之后偏差能补偿方差。参数说明如果随机森林的 MAE 比单棵树还差先检查你是不是没有设置max_depth和min_samples_leaf。默认的随机森林几乎不剪枝对噪声大的票房数据容易过拟合务必把决策树那套参数控制手段继承过来。n_jobs-1表示用满所有 CPU 核心别嫌内存大300棵树也就几百MB。6.2 用 SHAP 理解单部电影的预测结果随机森林虽然提升了精度但也丢掉了单棵树的透明性。这时用 SHAPSHapley Additive exPlanations来保住可解释性。SHAP 能给每条样本的每个特征分配一个贡献值告诉你“这部电影预测5亿其中档期贡献了7000万是不是续集贡献了1.2亿”。import shap # 用训练好的随机森林创建解释器 explainer shap.TreeExplainer(rf) shap_values explainer.shap_values(X_test) # 选第一个测试样本看它的特征贡献分布 shap.summary_plot(shap_values, X_test, feature_namesfeature_cols)逻辑说明TreeExplainer专门针对树模型计算速度快。shap_values是一个形状为(样本数, 特征数)的数组每个值代表该特征对预测结果的加减贡献。summary_plot画出的图里颜色表示特征值高低横轴是SHAP值越靠右代表把预测推越高。参数说明如果你用的是单棵决策树TreeExplainer也能正常工作但 SHAP 对集成树的意义更大因为单棵树直接看内部结构就够了。SHAP 需要pip install shap新版 SHAP 在 Python 3.10 上可能需要额外安装numba。如果一眼看不懂 SHAP 图先看最上面的特征排名那通常是系统主要打分依据。6.3 我的收尾习惯每次训练完模型我都会做一遍“旧片回测”再收工。挑几部已经下映、但训练集里故意剔除的电影用现成数据跑一遍预测看预测值和真实票房差在哪。这一步能让我快速发现特征工程里埋的雷比如某部春节档动画预测过高一查原来是holiday和genre_animation交互在训练集里样本太少树没有学到足够细分规则。这个习惯帮我避免了很多次“测试集好看、业务上没法用”的返工。希望这个从决策树起步、逐步升级到随机森林和 SHAP 的路径能让你少走几趟弯路做出一个真正能拿来解释、能持续迭代的票房预测系统。本文还有配套的精品资源点击获取