简介这份资源面向计算机相关专业的毕业生与课程设计学习者提供一套基于Python机器学习算法的电影推荐系统与票房预测系统完整方案可用于毕业设计、期末大作业等高分场景。压缩包共59个文件约30.95MB包含16个py源码文件、16个csv数据集、23张png图表、2个md说明文档及1份pdf报告覆盖数据预处理、特征工程、模型训练与结果可视化全流程。推荐部分涉及协同过滤、基于内容的推荐及KNN、SVD等混合模型票房预测部分则采用线性回归、随机决策树等方法并配有代码注释新手也能理解。项目目录按data、prediction、ensemble_recommender、personal_recommender、report等模块划分结构清晰便于按需查阅与二次开发。目前已有343人学习下载适合希望快速掌握推荐与预测算法实践、需要完整可运行项目参考的读者。1. 从一份 98 分毕设拆起电影推荐与票房预测到底怎么落地很多同学做毕设时最头疼的不是写不出代码而是不知道一个「完整系统」该长什么样。这份资源给了一个很具体的答案一个用 Python 和机器学习算法搭起来的电影推荐系统加票房预测系统附带源码、文档和 PDF 报告。它不是那种只跑一个模型的 demo而是把推荐和预测两条线都做全了从数据预处理、特征工程到模型训练、结果输出整条链路都有对应文件。适合正在做毕业设计、期末大作业或者课程设计的同学也适合想拿一个真实项目练手 Python 机器学习的人。你拿到手之后最直接的价值是不用从零想架构照着目录就能理解一个合格系统该有哪些模块每个模块之间怎么衔接。2. 推荐系统模块拆解从协同过滤到内容推荐的代码结构2.1 推荐系统为什么拆成这么多文件打开recommender文件夹你会看到Demographic.py、Content.py、Keyword.py这几个文件它们分别对应不同的推荐策略。这种拆分方式不是随便起的名字而是按推荐算法的主流分类来的。常见做法是基于人口统计学的推荐Demographic负责处理用户画像和基础分组基于内容的推荐Content负责分析电影本身的特征基于关键词的推荐Keyword则是在内容基础上做更细粒度的匹配。这样拆的好处是每个文件只解决一类问题调试的时候能快速定位是哪个策略出了问题而不是在一个几千行的脚本里大海捞针。naive_recommender文件夹里放的是最基础的推荐实现适合新手先跑通流程。ensemble_recommender则是把多种推荐结果融合在一起比如KNN_SVD_ensemble.py就是把 KNN 和 SVD 两种协同过滤方法做了集成。personal_recommender更偏向个性化里面有KNN_movie.py、Personal_SVD.py、KNN_user.py分别从电影维度、用户维度和矩阵分解维度做推荐。这种分层设计在毕设里很加分因为导师一眼就能看出你理解不同算法的适用场景而不是随便调个库就交差。2.2 协同过滤的核心代码逻辑以KNN_user.py为例基于用户的协同过滤核心思路是找到和目标用户兴趣相似的一批用户把他们喜欢但目标用户没看过的电影推荐出来。下面是一个简化后的代码骨架你可以对照源码理解参数含义。import numpy as np from sklearn.neighbors import NearestNeighbors # 假设 user_movie_matrix 是用户-电影评分矩阵行是用户列是电影 # 缺失评分用 0 填充实际项目中会做均值中心化处理 user_movie_matrix np.array([ [5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [0, 0, 5, 4], [0, 1, 5, 4], ]) # n_neighbors2 表示找最相似的 2 个用户 # metriccosine 用余弦相似度适合评分矩阵稀疏的场景 model_knn NearestNeighbors(metriccosine, algorithmbrute, n_neighbors2) model_knn.fit(user_movie_matrix) # 对第 0 个用户做推荐 target_user_index 0 distances, indices model_knn.kneighbors( user_movie_matrix[target_user_index].reshape(1, -1), n_neighbors2 ) # indices 里包含目标用户自己和最相似的邻居 # 实际推荐时要把目标用户已经看过的电影排除掉 print(相似用户索引:, indices) print(相似度距离:, distances)这段代码里n_neighbors控制找几个相似用户一般设 5 到 20 之间太小容易推荐不准太大又会引入不相关的人。metriccosine是常见选择因为电影评分矩阵通常很稀疏余弦相似度对缺失值不那么敏感。algorithmbrute表示暴力搜索数据量小的时候没问题数据量大了要换成kd_tree或ball_tree。跑完拿到相似用户后下一步就是加权计算推荐分数把邻居看过而目标用户没看过的电影按分数排序输出。2.3 矩阵分解在推荐里的位置Personal_SVD.py用的是 SVD 矩阵分解。它的逻辑是把用户-电影评分矩阵拆成用户隐向量和电影隐向量用隐向量的内积来预测缺失评分。相比 KNNSVD 能更好地处理稀疏数据而且预测结果更平滑。常见做法是先用surprise库或者scipy.sparse.linalg.svds做分解然后取前 N 个隐因子。参数上隐因子数量一般从 20 到 200 之间调太少欠拟合太多容易过拟合。学习率和正则化系数也要根据验证集表现来定不能拍脑袋。ensemble_recommender里的KNN_SVD_ensemble.py把两种方法的结果做了加权融合。融合权重可以按验证集上的 RMSE 来定比如 KNN 权重 0.4、SVD 权重 0.6哪个在验证集上误差小就给它更高权重。这种集成思路在毕设里属于加分项因为单一算法往往有局限集成能互补。3. 票房预测模块实战特征工程与模型训练怎么接3.1 票房预测的数据从哪来prediction文件夹和master data里的tmdb_5000_movies.csv、tmdb_5000_credits.csv是票房预测的数据基础。TMDB 5000 数据集包含电影预算、票房、类型、演员、导演、上映日期等字段足够做特征工程。FeatureEDA文件夹里的single_feature_visual.py是用来做单特征可视化的帮你快速看某个特征和票房的关系比如预算和票房是不是线性相关上映月份有没有季节性规律。票房预测的特征工程比推荐系统更依赖领域知识。常见做法是把类型字段做 one-hot 编码把演员和导演的知名度用历史作品平均票房来衡量把上映日期拆成月份和季度把预算取对数来缓解长尾分布。calculate.py里应该包含了这些特征计算逻辑你可以对照源码看每个特征是怎么构造出来的。3.2 线性回归和决策树在票房预测上的对比票房预测常用的模型有线性回归、随机森林、梯度提升树。线性回归可解释性强能直接看出每个特征对票房的影响方向和大小但假设特征和票房是线性关系实际中往往不成立。随机森林能捕捉非线性关系对异常值也不敏感但可解释性差一些。下面是一个用随机森林做票房预测的代码示例你可以对照prediction文件夹里的实现来理解。import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import numpy as np # 读取特征工程后的数据 df pd.read_csv(master data/tmdb_5000_movies.csv) # 选取数值型特征和编码后的类别特征 # budget 取对数因为票房和预算都是长尾分布 df[log_budget] np.log1p(df[budget]) df[log_popularity] np.log1p(df[popularity]) feature_cols [log_budget, log_popularity, runtime, vote_average] # 实际项目中还会加入类型 one-hot、演员知名度等特征 X df[feature_cols].fillna(0) y df[revenue].fillna(0) # 取对数让目标变量更接近正态分布 y np.log1p(y) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # n_estimators100 表示 100 棵树 # max_depth10 控制树深防止过拟合 # min_samples_split5 表示节点最少 5 个样本才分裂 rf RandomForestRegressor( n_estimators100, max_depth10, min_samples_split5, random_state42, n_jobs-1 ) rf.fit(X_train, y_train) y_pred rf.predict(X_test) rmse np.sqrt(mean_squared_error(y_test, y_pred)) r2 r2_score(y_test, y_pred) print(fRMSE: {rmse:.4f}, R2: {r2:.4f})这段代码里np.log1p是处理长尾分布的常用手段票房和预算的原始分布偏斜很严重取对数后模型更容易学到稳定关系。n_estimators设 100 是起点实际可以试 200 到 500看验证集误差有没有下降。max_depth控制模型复杂度太深会过拟合太浅会欠拟合一般从 5 到 15 之间调。min_samples_split也是防过拟合的参数样本量小的时候可以设大一点。跑完看 RMSE 和 R2R2 能到 0.6 以上就算不错了票房预测本身难度大不要期望太高。3.3 训练集和测试集怎么切personal_recommender里有train.csv和test.csv说明作者已经把数据切好了。常见做法是按时间切比如用 2015 年之前的电影做训练2015 年之后的做测试这样更接近真实预测场景。如果随机切可能会把同一部电影的信息泄露到测试集里导致评估结果虚高。test.py应该是用来跑测试集评估的脚本你可以直接运行看输出结果。4. 避坑与排查跑这份源码时最容易翻车的几个地方4.1 路径问题导致文件读不到现象运行recommender.py或test.py时报FileNotFoundError提示找不到tmdb_5000_movies.csv或train.csv。原因代码里用的是相对路径而你的工作目录和作者当时的不一样。解决在脚本开头加import os; os.chdir(os.path.dirname(os.path.abspath(__file__)))把工作目录切到脚本所在目录或者把所有路径改成绝对路径。我一般会在项目根目录放一个config.py把所有数据路径集中管理换环境时只改一个文件。4.2 依赖库版本不匹配现象ImportError或AttributeError比如sklearn某个模块找不到或者surprise库装不上。原因作者用的库版本和你本地的不一致或者surprise在 Windows 上编译需要 C 编译器。解决先看README.md里有没有写依赖版本没有的话按报错信息逐个装。surprise装不上可以换scikit-surprise的预编译版本或者直接用scipy的 SVD 替代。常见做法是建一个虚拟环境python -m venv venv然后在虚拟环境里按需安装避免污染全局环境。4.3 数据缺失值处理不当导致模型报错现象训练模型时提示Input contains NaN或could not convert string to float。原因TMDB 数据集里budget、revenue、runtime都有缺失值有些字段还是字符串格式。解决在特征工程阶段统一做fillna(0)或dropna()字符串字段用pd.to_numeric(errorscoerce)转成数值。票房预测里revenue为 0 的记录要小心可能是缺失而不是真的零票房直接当 0 处理会拉低模型效果。4.4 推荐结果全是已经看过的电影现象跑完推荐脚本输出的电影用户早就看过了。原因没有过滤掉用户已经评分过的电影。解决在生成推荐列表后用用户历史记录做差集只保留没看过的。这个逻辑在KNN_user.py和Personal_SVD.py里都应该有如果源码里漏了自己补上就行。常见做法是维护一个seen_movies集合推荐时排除掉。4.5 票房预测 R2 为负数现象模型评估时 R2 是负的说明模型比直接预测均值还差。原因特征工程没做好或者训练集和测试集分布差异太大。解决先检查特征和票房的相关性把不相关的特征去掉再检查是不是用了未来信息比如用上映后的评分去预测票房最后看数据量够不够TMDB 5000 只有 5000 条去掉缺失值后可能只剩 3000 多条模型容易过拟合。可以试试交叉验证看不同折上的表现是否稳定。5. 进阶技巧把推荐和预测串起来做一个完整演示5.1 用 Flask 搭一个最小可用的接口毕设答辩时如果能现场演示一个网页界面效果会比只跑脚本好很多。常见做法是用 Flask 写两个接口一个接收用户 ID 返回推荐电影列表一个接收电影特征返回预测票房。下面是一个最小示例。from flask import Flask, request, jsonify import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor app Flask(__name__) # 加载训练好的模型和数据 # 实际项目中模型应该提前训练好并保存这里只做演示 df pd.read_csv(master data/tmdb_5000_movies.csv) df[log_budget] np.log1p(df[budget].fillna(0)) feature_cols [log_budget, runtime, vote_average] X df[feature_cols].fillna(0) y np.log1p(df[revenue].fillna(0)) rf RandomForestRegressor(n_estimators100, max_depth10, random_state42) rf.fit(X, y) app.route(/predict, methods[POST]) def predict(): data request.get_json() # 接收预算、片长、评分三个特征 budget float(data.get(budget, 0)) runtime float(data.get(runtime, 0)) vote_average float(data.get(vote_average, 0)) features np.array([[np.log1p(budget), runtime, vote_average]]) log_revenue rf.predict(features)[0] revenue np.expm1(log_revenue) return jsonify({predicted_revenue: round(revenue, 2)}) if __name__ __main__: app.run(debugTrue, port5000)这个接口接收 JSON 格式的请求返回预测票房。np.expm1是np.log1p的逆运算把对数结果还原成原始票房。实际部署时要把模型用joblib保存下来接口里直接加载不用每次重新训练。推荐接口类似接收用户 ID返回推荐列表的 JSON。5.2 验证推荐效果的一个实用指标推荐系统不像票房预测有明确的 RMSE评估起来更麻烦。一个实用做法是留一法对每个用户把他评分最高的那部电影藏起来用剩下的数据训练看推荐列表里有没有藏起来的那部。命中率越高推荐效果越好。这个逻辑可以在test.py里实现跑一遍就能得到一个可量化的指标答辩时拿出来很有说服力。5.3 我踩过的一个坑有一次我直接把train.csv和test.csv按随机方式切结果推荐效果虚高因为同一个用户的行为同时出现在训练集和测试集里。后来改成按用户切保证一个用户要么在训练集要么在测试集评估结果才真实。从那以后我每次做推荐评估都强制走一遍用户维度的切分再也不敢图省事用随机切了。希望帮到你。本文还有配套的精品资源点击获取 Python机器学习毕设实战：电影推荐与票房预测系统源码解析
简介这份资源面向计算机相关专业的毕业生与课程设计学习者提供一套基于Python机器学习算法的电影推荐系统与票房预测系统完整方案可用于毕业设计、期末大作业等高分场景。压缩包共59个文件约30.95MB包含16个py源码文件、16个csv数据集、23张png图表、2个md说明文档及1份pdf报告覆盖数据预处理、特征工程、模型训练与结果可视化全流程。推荐部分涉及协同过滤、基于内容的推荐及KNN、SVD等混合模型票房预测部分则采用线性回归、随机决策树等方法并配有代码注释新手也能理解。项目目录按data、prediction、ensemble_recommender、personal_recommender、report等模块划分结构清晰便于按需查阅与二次开发。目前已有343人学习下载适合希望快速掌握推荐与预测算法实践、需要完整可运行项目参考的读者。1. 从一份 98 分毕设拆起电影推荐与票房预测到底怎么落地很多同学做毕设时最头疼的不是写不出代码而是不知道一个「完整系统」该长什么样。这份资源给了一个很具体的答案一个用 Python 和机器学习算法搭起来的电影推荐系统加票房预测系统附带源码、文档和 PDF 报告。它不是那种只跑一个模型的 demo而是把推荐和预测两条线都做全了从数据预处理、特征工程到模型训练、结果输出整条链路都有对应文件。适合正在做毕业设计、期末大作业或者课程设计的同学也适合想拿一个真实项目练手 Python 机器学习的人。你拿到手之后最直接的价值是不用从零想架构照着目录就能理解一个合格系统该有哪些模块每个模块之间怎么衔接。2. 推荐系统模块拆解从协同过滤到内容推荐的代码结构2.1 推荐系统为什么拆成这么多文件打开recommender文件夹你会看到Demographic.py、Content.py、Keyword.py这几个文件它们分别对应不同的推荐策略。这种拆分方式不是随便起的名字而是按推荐算法的主流分类来的。常见做法是基于人口统计学的推荐Demographic负责处理用户画像和基础分组基于内容的推荐Content负责分析电影本身的特征基于关键词的推荐Keyword则是在内容基础上做更细粒度的匹配。这样拆的好处是每个文件只解决一类问题调试的时候能快速定位是哪个策略出了问题而不是在一个几千行的脚本里大海捞针。naive_recommender文件夹里放的是最基础的推荐实现适合新手先跑通流程。ensemble_recommender则是把多种推荐结果融合在一起比如KNN_SVD_ensemble.py就是把 KNN 和 SVD 两种协同过滤方法做了集成。personal_recommender更偏向个性化里面有KNN_movie.py、Personal_SVD.py、KNN_user.py分别从电影维度、用户维度和矩阵分解维度做推荐。这种分层设计在毕设里很加分因为导师一眼就能看出你理解不同算法的适用场景而不是随便调个库就交差。2.2 协同过滤的核心代码逻辑以KNN_user.py为例基于用户的协同过滤核心思路是找到和目标用户兴趣相似的一批用户把他们喜欢但目标用户没看过的电影推荐出来。下面是一个简化后的代码骨架你可以对照源码理解参数含义。import numpy as np from sklearn.neighbors import NearestNeighbors # 假设 user_movie_matrix 是用户-电影评分矩阵行是用户列是电影 # 缺失评分用 0 填充实际项目中会做均值中心化处理 user_movie_matrix np.array([ [5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [0, 0, 5, 4], [0, 1, 5, 4], ]) # n_neighbors2 表示找最相似的 2 个用户 # metriccosine 用余弦相似度适合评分矩阵稀疏的场景 model_knn NearestNeighbors(metriccosine, algorithmbrute, n_neighbors2) model_knn.fit(user_movie_matrix) # 对第 0 个用户做推荐 target_user_index 0 distances, indices model_knn.kneighbors( user_movie_matrix[target_user_index].reshape(1, -1), n_neighbors2 ) # indices 里包含目标用户自己和最相似的邻居 # 实际推荐时要把目标用户已经看过的电影排除掉 print(相似用户索引:, indices) print(相似度距离:, distances)这段代码里n_neighbors控制找几个相似用户一般设 5 到 20 之间太小容易推荐不准太大又会引入不相关的人。metriccosine是常见选择因为电影评分矩阵通常很稀疏余弦相似度对缺失值不那么敏感。algorithmbrute表示暴力搜索数据量小的时候没问题数据量大了要换成kd_tree或ball_tree。跑完拿到相似用户后下一步就是加权计算推荐分数把邻居看过而目标用户没看过的电影按分数排序输出。2.3 矩阵分解在推荐里的位置Personal_SVD.py用的是 SVD 矩阵分解。它的逻辑是把用户-电影评分矩阵拆成用户隐向量和电影隐向量用隐向量的内积来预测缺失评分。相比 KNNSVD 能更好地处理稀疏数据而且预测结果更平滑。常见做法是先用surprise库或者scipy.sparse.linalg.svds做分解然后取前 N 个隐因子。参数上隐因子数量一般从 20 到 200 之间调太少欠拟合太多容易过拟合。学习率和正则化系数也要根据验证集表现来定不能拍脑袋。ensemble_recommender里的KNN_SVD_ensemble.py把两种方法的结果做了加权融合。融合权重可以按验证集上的 RMSE 来定比如 KNN 权重 0.4、SVD 权重 0.6哪个在验证集上误差小就给它更高权重。这种集成思路在毕设里属于加分项因为单一算法往往有局限集成能互补。3. 票房预测模块实战特征工程与模型训练怎么接3.1 票房预测的数据从哪来prediction文件夹和master data里的tmdb_5000_movies.csv、tmdb_5000_credits.csv是票房预测的数据基础。TMDB 5000 数据集包含电影预算、票房、类型、演员、导演、上映日期等字段足够做特征工程。FeatureEDA文件夹里的single_feature_visual.py是用来做单特征可视化的帮你快速看某个特征和票房的关系比如预算和票房是不是线性相关上映月份有没有季节性规律。票房预测的特征工程比推荐系统更依赖领域知识。常见做法是把类型字段做 one-hot 编码把演员和导演的知名度用历史作品平均票房来衡量把上映日期拆成月份和季度把预算取对数来缓解长尾分布。calculate.py里应该包含了这些特征计算逻辑你可以对照源码看每个特征是怎么构造出来的。3.2 线性回归和决策树在票房预测上的对比票房预测常用的模型有线性回归、随机森林、梯度提升树。线性回归可解释性强能直接看出每个特征对票房的影响方向和大小但假设特征和票房是线性关系实际中往往不成立。随机森林能捕捉非线性关系对异常值也不敏感但可解释性差一些。下面是一个用随机森林做票房预测的代码示例你可以对照prediction文件夹里的实现来理解。import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import numpy as np # 读取特征工程后的数据 df pd.read_csv(master data/tmdb_5000_movies.csv) # 选取数值型特征和编码后的类别特征 # budget 取对数因为票房和预算都是长尾分布 df[log_budget] np.log1p(df[budget]) df[log_popularity] np.log1p(df[popularity]) feature_cols [log_budget, log_popularity, runtime, vote_average] # 实际项目中还会加入类型 one-hot、演员知名度等特征 X df[feature_cols].fillna(0) y df[revenue].fillna(0) # 取对数让目标变量更接近正态分布 y np.log1p(y) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # n_estimators100 表示 100 棵树 # max_depth10 控制树深防止过拟合 # min_samples_split5 表示节点最少 5 个样本才分裂 rf RandomForestRegressor( n_estimators100, max_depth10, min_samples_split5, random_state42, n_jobs-1 ) rf.fit(X_train, y_train) y_pred rf.predict(X_test) rmse np.sqrt(mean_squared_error(y_test, y_pred)) r2 r2_score(y_test, y_pred) print(fRMSE: {rmse:.4f}, R2: {r2:.4f})这段代码里np.log1p是处理长尾分布的常用手段票房和预算的原始分布偏斜很严重取对数后模型更容易学到稳定关系。n_estimators设 100 是起点实际可以试 200 到 500看验证集误差有没有下降。max_depth控制模型复杂度太深会过拟合太浅会欠拟合一般从 5 到 15 之间调。min_samples_split也是防过拟合的参数样本量小的时候可以设大一点。跑完看 RMSE 和 R2R2 能到 0.6 以上就算不错了票房预测本身难度大不要期望太高。3.3 训练集和测试集怎么切personal_recommender里有train.csv和test.csv说明作者已经把数据切好了。常见做法是按时间切比如用 2015 年之前的电影做训练2015 年之后的做测试这样更接近真实预测场景。如果随机切可能会把同一部电影的信息泄露到测试集里导致评估结果虚高。test.py应该是用来跑测试集评估的脚本你可以直接运行看输出结果。4. 避坑与排查跑这份源码时最容易翻车的几个地方4.1 路径问题导致文件读不到现象运行recommender.py或test.py时报FileNotFoundError提示找不到tmdb_5000_movies.csv或train.csv。原因代码里用的是相对路径而你的工作目录和作者当时的不一样。解决在脚本开头加import os; os.chdir(os.path.dirname(os.path.abspath(__file__)))把工作目录切到脚本所在目录或者把所有路径改成绝对路径。我一般会在项目根目录放一个config.py把所有数据路径集中管理换环境时只改一个文件。4.2 依赖库版本不匹配现象ImportError或AttributeError比如sklearn某个模块找不到或者surprise库装不上。原因作者用的库版本和你本地的不一致或者surprise在 Windows 上编译需要 C 编译器。解决先看README.md里有没有写依赖版本没有的话按报错信息逐个装。surprise装不上可以换scikit-surprise的预编译版本或者直接用scipy的 SVD 替代。常见做法是建一个虚拟环境python -m venv venv然后在虚拟环境里按需安装避免污染全局环境。4.3 数据缺失值处理不当导致模型报错现象训练模型时提示Input contains NaN或could not convert string to float。原因TMDB 数据集里budget、revenue、runtime都有缺失值有些字段还是字符串格式。解决在特征工程阶段统一做fillna(0)或dropna()字符串字段用pd.to_numeric(errorscoerce)转成数值。票房预测里revenue为 0 的记录要小心可能是缺失而不是真的零票房直接当 0 处理会拉低模型效果。4.4 推荐结果全是已经看过的电影现象跑完推荐脚本输出的电影用户早就看过了。原因没有过滤掉用户已经评分过的电影。解决在生成推荐列表后用用户历史记录做差集只保留没看过的。这个逻辑在KNN_user.py和Personal_SVD.py里都应该有如果源码里漏了自己补上就行。常见做法是维护一个seen_movies集合推荐时排除掉。4.5 票房预测 R2 为负数现象模型评估时 R2 是负的说明模型比直接预测均值还差。原因特征工程没做好或者训练集和测试集分布差异太大。解决先检查特征和票房的相关性把不相关的特征去掉再检查是不是用了未来信息比如用上映后的评分去预测票房最后看数据量够不够TMDB 5000 只有 5000 条去掉缺失值后可能只剩 3000 多条模型容易过拟合。可以试试交叉验证看不同折上的表现是否稳定。5. 进阶技巧把推荐和预测串起来做一个完整演示5.1 用 Flask 搭一个最小可用的接口毕设答辩时如果能现场演示一个网页界面效果会比只跑脚本好很多。常见做法是用 Flask 写两个接口一个接收用户 ID 返回推荐电影列表一个接收电影特征返回预测票房。下面是一个最小示例。from flask import Flask, request, jsonify import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor app Flask(__name__) # 加载训练好的模型和数据 # 实际项目中模型应该提前训练好并保存这里只做演示 df pd.read_csv(master data/tmdb_5000_movies.csv) df[log_budget] np.log1p(df[budget].fillna(0)) feature_cols [log_budget, runtime, vote_average] X df[feature_cols].fillna(0) y np.log1p(df[revenue].fillna(0)) rf RandomForestRegressor(n_estimators100, max_depth10, random_state42) rf.fit(X, y) app.route(/predict, methods[POST]) def predict(): data request.get_json() # 接收预算、片长、评分三个特征 budget float(data.get(budget, 0)) runtime float(data.get(runtime, 0)) vote_average float(data.get(vote_average, 0)) features np.array([[np.log1p(budget), runtime, vote_average]]) log_revenue rf.predict(features)[0] revenue np.expm1(log_revenue) return jsonify({predicted_revenue: round(revenue, 2)}) if __name__ __main__: app.run(debugTrue, port5000)这个接口接收 JSON 格式的请求返回预测票房。np.expm1是np.log1p的逆运算把对数结果还原成原始票房。实际部署时要把模型用joblib保存下来接口里直接加载不用每次重新训练。推荐接口类似接收用户 ID返回推荐列表的 JSON。5.2 验证推荐效果的一个实用指标推荐系统不像票房预测有明确的 RMSE评估起来更麻烦。一个实用做法是留一法对每个用户把他评分最高的那部电影藏起来用剩下的数据训练看推荐列表里有没有藏起来的那部。命中率越高推荐效果越好。这个逻辑可以在test.py里实现跑一遍就能得到一个可量化的指标答辩时拿出来很有说服力。5.3 我踩过的一个坑有一次我直接把train.csv和test.csv按随机方式切结果推荐效果虚高因为同一个用户的行为同时出现在训练集和测试集里。后来改成按用户切保证一个用户要么在训练集要么在测试集评估结果才真实。从那以后我每次做推荐评估都强制走一遍用户维度的切分再也不敢图省事用随机切了。希望帮到你。本文还有配套的精品资源点击获取