我进行补充：这是输入地址D:\untitled1\Graduation project\two，文件名2024年全国A级景区数据.xlsx。输出地址为D:\untitled1\Graduation project\two\output要有平均绝对误差 (MAE)和决定系数 (R²)。请给我完整的机器预测模型的代码

<think>好的，我现在需要帮用户解决一个具体的机器学习预测模型构建的问题。用户的需求是使用Python实现一个完整的代码，输入是特定的Excel文件，输出到指定路径，并计算MAE和R²。首先，我需要回顾之前的对话历史，确保理解上下文。 用户之前提到了特征选择、处理策略，以及推荐了不同模型类型。现在用户希望得到一个完整的代码实现，所以需要整合之前的建议，比如特征处理、模型选择、评估指标等。用户可能已经有一定的数据处理基础，但可能需要详细的代码示例来指导整个流程。 首先，要确定输入输出路径。用户提供的路径是Windows格式，需要注意Python中路径的正确写法，可能需要使用双反斜杠或原始字符串。然后，读取Excel文件，这里使用pandas的read_excel函数即可。 接下来，数据预处理部分。根据之前的对话，用户的数据包括地理坐标、行政区划、景区属性等特征。需要统一坐标系，处理分类变量，可能还需要文本特征提取。例如，地理坐标标准化、省份城市等使用独热编码，地址文本使用TF-IDF或CountVectorizer。 模型选择方面，用户之前提到的随机森林、LightGBM等，这里可能需要选择一个合适的模型作为示例。考虑到易用性和常见性，可能先使用随机森林或梯度提升树。同时，用户需要评估指标MAE和R²，因此在模型训练后要计算这些指标，可能使用scikit-learn的cross_validate或者手动计算。 输出结果到指定目录，可能需要将模型保存、预测结果保存为Excel文件，同时评估结果保存为文本文件。这里需要注意路径存在性检查，如果目录不存在，需要自动创建，避免报错。 另外，用户可能需要代码的鲁棒性，例如处理缺失值、异常值等。但在示例代码中可能简化这些步骤，先确保主要流程正确，再建议用户根据实际数据情况进行调整。 特征工程部分，用户之前提到空间特征，如景点密度，可能需要使用NearestNeighbors来计算邻近景点的平均距离，这部分需要整合到预处理步骤中。但考虑到代码复杂度，可能先包括一个简单的特征工程示例，如计算景点密度，更复杂的空间回归可能需要额外库如pysal，但用户可能希望保持依赖简单，所以可能先使用基本方法。 模型调参部分，用户可能需要基本的参数设置，如n_estimators、max_depth等，但详细调参可能超出当前问题范围，所以示例中可能使用默认或常用参数，并建议用户根据需要进行优化。 最后，代码的结构需要清晰，步骤明确，包括数据读取、预处理、特征工程、模型训练、评估、结果保存。同时添加必要的注释，帮助用户理解各部分的功能。 可能遇到的问题包括路径错误、库未安装、数据列名不一致等，需要在代码中添加异常处理或提示用户检查数据格式。例如，使用try-except块捕获文件读取错误，或者提示用户确保输入文件存在。 需要确保所有使用的库都是常用的，如pandas, scikit-learn, xgboost, lightgbm等，如果用户未安装，可能需要提示安装命令。但考虑到用户可能已经具备环境，示例代码可能不包含安装步骤，但可以附上注释说明。 另外，用户可能需要将模型持久化，以便后续使用，因此添加模型保存的部分，使用joblib或pickle。同时，预测结果的保存格式要符合用户要求，如Excel文件。 评估指标方面，MAE和R²的计算需要使用sklearn.metrics中的相应函数，并在交叉验证或训练测试集中应用。用户可能需要详细的评估结果输出，如平均MAE和R²，以及每次交叉验证的结果。 最后，生成相关问题，可能需要围绕数据预处理、模型选择、超参数调优、结果分析等方面提问，帮助用户进一步深入。</think>根据您的需求，我为您构建了一个完整的机器学习预测模型实现方案，包含数据预处理、特征工程、模型训练和结果输出全流程。以下是详细代码实现： ```python import os import pandas as pd import numpy as np from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler, OneHotEncoder, OrdinalEncoder from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split, cross_validate from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, r2_score from sklearn.neighbors import NearestNeighbors import joblib # ==================== # 数据读取与路径配置 # ==================== input_path = r'D:\untitled1\Graduation project\two\2024年全国A级景区数据.xlsx' output_dir = r'D:\untitled1\Graduation project\two\output' # 创建输出目录 os.makedirs(output_dir, exist_ok=True) # 读取数据（假设目标列为'游客量'） try: df = pd.read_excel(input_path) print(f"成功读取数据，形状：{df.shape}") except Exception as e: print(f"文件读取失败：{str(e)}") exit() # ==================== # 特征预处理 # ==================== # 1. 坐标系统一（示例保留WGS84坐标系） df = df.rename(columns={ '坐标(WGS84)Lng': 'lng', '坐标(WGS84)Lat': 'lat' }).drop(columns=[c for c in df.columns if 'GCJ02' in c or 'BD09' in c]) # 2. 计算空间密度特征 coords = df[['lng', 'lat']].values nbrs = NearestNeighbors(n_neighbors=5).fit(coords) distances, _ = nbrs.kneighbors(coords) df['景点密度'] = 1 / (distances.mean(axis=1) + 1e-6) # 3. 划分特征和目标变量 X = df.drop(columns=['游客量']) # 请替换为实际目标列名 y = df['游客量'] # ==================== # 预处理管道 # ==================== preprocessor = ColumnTransformer([ # 数值特征标准化 ('geo', StandardScaler(), ['lng', 'lat', '景点密度']), # 分类特征编码（示例特征） ('cate', OneHotEncoder(handle_unknown='ignore'), ['省份', '城市', '等级']), # 文本特征提取（地址信息） ('text', TfidfVectorizer(max_features=50), '地址') ]) # ==================== # 构建完整模型 # ==================== model = Pipeline([ ('preprocessor', preprocessor), ('regressor', RandomForestRegressor( n_estimators=200, max_depth=10, min_samples_leaf=5, random_state=42 )) ]) # ==================== # 模型训练与评估 # ==================== # 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 交叉验证 cv_results = cross_validate( model, X_train, y_train, cv=5, scoring=['neg_mean_absolute_error', 'r2'], return_train_score=True ) # 全数据训练 model.fit(X_train, y_train) # ==================== # 结果输出 # ==================== # 保存模型 joblib.dump(model, os.path.join(output_dir, 'tourism_predict_model.pkl')) # 生成预测结果 test_pred = model.predict(X_test) result_df = pd.DataFrame({ '实际值': y_test, '预测值': test_pred, '绝对误差': np.abs(y_test - test_pred) }) # 保存预测结果 result_df.to_excel(os.path.join(output_dir, '预测结果.xlsx'), index=False) # 评估指标输出 with open(os.path.join(output_dir, '性能报告.txt'), 'w') as f: f.write("=== 交叉验证结果 ===\n") f.write(f"训练集平均MAE: {-cv_results['train_neg_mean_absolute_error'].mean():.2f}\n") f.write(f"验证集平均MAE: {-cv_results['test_neg_mean_absolute_error'].mean():.2f}\n") f.write(f"验证集平均R²: {cv_results['test_r2'].mean():.2f}\n\n") f.write("=== 测试集结果 ===\n") f.write(f"MAE: {mean_absolute_error(y_test, test_pred):.2f}\n") f.write(f"R²: {r2_score(y_test, test_pred):.2f}") print("模型训练完成，结果已保存到指定目录") ```