企业官网建设流程全解析

简介：一套基于Python机器学习的电影大数据预测分析与可视化项目源码，面向高校期末大作业、毕业设计及课程设计场景，适合具备基础编程能力、需要从零搭建或复现完整机器学习项目的学生，也可作为数据分析方向教学参考。资源共2000个文件，压缩包约21.72MB，包含15个py算法脚本、3个csv数据文件，以及大量svg图表、js交互逻辑、html/css页面样式、png图片和map素材，可支撑从数据处理到前端展示的完整链路。目前已有179人学习，整体难度适中，便于快速上手。源码均经过本地运行验证，项目评审分达98分，覆盖数据清洗、特征工程、模型训练、评估与可视化等典型环节；并附带成熟的后台管理风格页面框架，可直接部署查看效果，也可替换数据集、调整参数后进行二次开发，还能将图表模块拆分复用，适合课程报告、答辩演示和毕业设计参考。

1. 期末大作业选电影数据，几乎是最稳的机器学习可视化路线

期末只剩三周，老师要求在 Python 里做“大数据分析 + 机器学习 + 可视化”，还要交源码。很多人第一反应是房价预测、股票预测，结果数据要么拿不到，要么拿到一堆脱敏字段没法解释。相比之下，电影数据几乎是这类课程作业里性价比最高的选择：公开数据集多、字段覆盖广、天然有评分和票房这种适合做预测目标的值，做出来的可视化也容易讲出故事。

这个标题背后真正要做的事，是拿一份电影相关数据集，用 Python 做数据清洗与特征工程，训练一个机器学习模型去预测评分或票房，最后把预测结果和统计结论放到可视化看板里展示。它不是什么学术界前沿课题，而是一个标准的数据科学流程闭环。适合谁？适合时间紧、希望快速跑通全流程、又想在答辩里展示“数据→模型→结论”完整链路的人。

需要先泼一盆冷水：课程项目里提到的“大数据”，数据量通常只有几千到几万条，离真正的大数据差得很远。这门作业考查的不是分布式集群能力，而是你能不能把数据面、特征面、可视化面做到完整自洽。把这一点想明白，整个项目就不会往搭 Hadoop 集群那种方向跑偏。

2. 搭建环境与数据准备：让电影数据在本地跑起来的最小命令

2.1 环境装配：Python 版本与依赖清单

做这个项目的第一步是定 Python 版本。如果你还在看 python 安装教程，直接装 3.10 或 3.11 就行，别用 3.6 这种老版本，后面装 xgboost、pandas 新版本时会遇到一堆“当前 Python 版本过旧”的报错。我一般是先建虚拟环境，再统一装依赖，避免把系统里的 Python 环境搞乱。

python -m venv venv source venv/bin/activate # Windows 下是 venv\Scripts\activate pip install pandas numpy scikit-learn xgboost flask

这五样就是这个项目的主干依赖。pandas 和 numpy 负责数据处理，scikit-learn 提供数据划分和评估工具，xgboost 是主力回归模型，flask 用来承载可视化后端。不需要 opencv，不需要 pytorch，课程设计阶段用不上深度学习。

虚拟环境这个动作很容易被跳过，但它值得养成习惯。课程作业做到一半，为了调试某个库把包卸了重装，结果影响其他项目，这种翻车情况在期末特别常见。用虚拟环境隔离后，所有依赖装错都可以直接删掉 venv 重来，算是一个后悔药。

装完依赖后可以先跑一句pip list看一眼版本。缺少某个包时不要盲目装最新版，xgboost 和 scikit-learn 的版本差距过大时会出现模型无法保存的兼容问题。通常来说，保证 scikit-learn 和 xgboost 都是最近一年内的正式版本就足够了。

2.2 数据加载：把多个字段来源合并成一张表

电影数据的常见形态是多个 CSV 文件分开放：基本信息一个文件、评分一个文件、票房一个文件。如果你拿到的数据本身就是一张大表，可以跳过合并步骤；但更多情况下你需要先做关联。这里我一般用 pandas 的 merge，关联键是 movie_id，并且把它统一转成字符串，避免前导零被吃掉。

import pandas as pd movies = pd.read_csv("data/movies.csv", dtype={"movie_id": str}) scores = pd.read_csv("data/scores.csv", dtype={"movie_id": str}) boxoffice = pd.read_csv("data/boxoffice.csv", dtype={"movie_id": str}) df = ( movies .merge(scores, on="movie_id", how="left") .merge(boxoffice, on="movie_id", how="left") ) print(df.shape) print(df.columns.tolist()) print(df.isna().mean().sort_values(ascending=False))

这段代码的逻辑很简单，但有两个地方值得注意。第一是 merge 用 how="left"，以电影基本信息表为主表，评分和票房匹配不上时保留 NaN，而不是丢行。这保证了后续统计样本量不缩水。第二是 isna().mean() 会输出每个字段的缺失率，这是排查数据质量的第一步，缺失率超过 50% 的字段基本可以放弃。

合并完成后不要急着往下做，先看 df.shape 确认行数是否符合预期，再看有没有出现行数翻倍的情况——那通常表示关联键有重复。一个 movie_id 在评分表里出现多条记录时，左连接会把电影基本信息复制多行，后续统计会被污染。遇到这种情况，要先按 movie_id 去重，或者明确是“一个电影多条评分取平均”再做连接。

2.3 数据预处理：日期、字符串数字、空值的三个处理习惯

加载完成后，最脏的数据往往集中在三类：日期字段、带单位的数字字段、评分空值。日期字段需要从“2019-05-01”这种字符串里提取年份和月份；票房字段经常写成“3.2亿”“8500万”这种带单位格式，需要统一转成数值；评分字段则会混入缺失值。

def parse_boxoffice(x): if isinstance(x, str): x = x.replace("亿", "*1e8").replace("万", "*1e4") try: return float(eval(x)) except Exception: return float("nan") return x df["release_date"] = pd.to_datetime(df["release_date"], errors="coerce") df["year"] = df["release_date"].dt.year df["month"] = df["release_date"].dt.month df["boxoffice"] = df["boxoffice"].apply(parse_boxoffice) df["rating"] = pd.to_numeric(df["rating"], errors="coerce")

这段预处理是后面的地基，三个处理习惯对应三行关键代码。

用 pd.to_datetime 加 errors="coerce" 解析日期，遇到非法值自动变成 NaT，不会因为一条脏数据让整个脚本崩溃。parse_boxoffice 里的 eval 是一个“暴力”但有效的做法，把“3.2亿”转换成“3.2*1e8”再求值，注意这里的单位换算最终统一到元，别出现“亿”和“万”混着算的情况。pd.to_numeric 处理评分时会自动把空字符串变成 NaN，后续模型阶段再统一处理缺失值。

这里有个细节：票房解析用 eval 存在风险，如果原始数据里混入不该执行的表达式，会出问题。更稳妥的做法是先用正则提取数字和单位：

import re def parse_boxoffice_safe(x): if pd.isna(x): return float("nan") s = str(x).strip() m = re.search(r"([\d.]+)\s*(亿|万)?", s) if m: num = float(m.group(1)) if m.group(2) == "亿": return num * 1e8 elif m.group(2) == "万": return num * 1e4 else: return num return float("nan")

我推荐把 safe 版本用在正式代码里。课程作业的输入数据不一定是你自己准备的，答辩时老师可能随手换一份数据让你当场跑，正则版本的鲁棒性明显更好。

3. 特征工程：决定模型是“及格”还是“优秀”的几个关键处理

3.1 哪些字段能直接用，哪些必须提前扔掉

电影数据集里常见的字段有片名、类型、时长、制片地区、上映日期、导演、主演、评分人数、评分、票房。这些字段里真正能直接进入模型的是评分人数和时长，其他字段大多要加工。

片名基本不能直接用。电影片名是一串短文本，直接用 LabelEncoder 编码等于把不连续的编号喂给模型，模型会认为编号 3 和编号 4 之间存在线性关系，这完全不合理。除非你打算做文本向量化，否则片名在预测任务里先丢掉。

上映日期也不能直接用完整日期。如果原始数据是“2019-05-01”，直接转成时间戳，模型会学到年份的信息。年份和票房、评分之间往往存在相关性，这在课程项目的回归任务里容易造成数据泄漏。后面会专门讲这个坑，这里先记住：用月份和星期做特征，去掉完整日期。

导演和主演用什么方式编码，取决于候选数量。候选导演只有几十个时，可以用 one-hot；几百上千个导演时，one-hot 会制造出几千维稀疏矩阵，对树模型和线性模型都不友好。课程项目里更推荐做目标编码，把导演替换成他过往电影的平均票房或平均评分。

3.2 多标签类型字段与导演目标编码的实现

电影类型是典型的多标签字段，一部电影可能同时是“剧情 + 爱情 + 悬疑”。直接把它当成一个字符串编码是最偷懒也最吃亏的做法。常见处理是构造多列二值特征，每个类型一列，包含该类型则填 1，否则填 0。

genre_list = ["剧情", "喜剧", "动作", "爱情", "科幻", "悬疑", "动画", "惊悚", "犯罪", "冒险"] for g in genre_list: df[f"genre_{g}"] = df["genres"].str.contains(g, na=False).astype(int) director_stats = ( df.groupby("director")["rating"] .agg(["mean", "count"]) .rename(columns={"mean": "director_avg_rating", "count": "director_movie_count"}) ) df = df.merge(director_stats, on="director", how="left")

导演目标编码是这个环节的核心操作。用 groupby 算出每位导演的历史平均评分和电影数量，再合并回原表。注意 count 列也很重要，它表示这位导演的作品数量；只出现一次电影的导演，他的平均评分本身可信度不高，模型会默认把它当成重要特征，这是一个需要留意的风险点。

更好的做法是先给导演数量加一个最少出现次数限制，比如“只保留作品数大于等于 3 的导演，其他编码为 unknown”，这样能降低偶然性。你也可以把导演平均评分和作品数两个特征同时放进模型，让模型自己决定要不要信任这位导演的均分。

主演字段也可以走同样的逻辑，但主演通常是多个人，写“主演_A”“主演_B”会复杂不少。如果你拿到的数据里主演是逗号分隔的多个人名，可以只取第一位主演进行编码，或者统计该电影所有主演的历史平均票房取最大值。两种方式都不完美，课程项目够用了。

3.3 目标变量选择：预测票房还是预测评分

这个选择会影响工程量级。预测评分通常更简单，因为评分分布在 0 到 10 之间，分布相对集中，模型容易学出稳定结果。预测票房则麻烦得多，票房数据长尾严重，几部爆款电影票房是普通电影的几百倍，模型很容易为了抓住爆款而把整体预测带偏。

我一般建议课程作业选预测评分作为主线。原因很简单：评分数据集覆盖度更高，缺失值少；预测结果容易解释，答辩时可以讲“哪些因素对评分影响最大”；可视化时也方便画“真实评分 vs 预测评分”的散点图。票房的处理方式更适合作为进阶目标，如果你想做差异化，可以把评分预测做成主线，票房做成附加结论。

如果坚持预测票房，目标变量要先做对数平滑：df["boxoffice_log"] = np.log1p(df["boxoffice"])。这里的 log1p 是计算 log(1+x)，避免 0 票房样本取对数后变成负无穷。模型在 log 空间训练，评估时再用 expm1 把预测结果还原成真实票房。这个操作对树模型同样重要，后面的避坑章节还会提到它。

想做分类任务的话，也可以把评分映射成几个档位：0-3 分是“差评”，3-6 分是“中等”，6-8 分是“良好”，8-10 分是“好评”。这样回归问题就转换成了多分类问题，答辩时还能用混淆矩阵展示分类效果。标题里提到的“电影《唐人街探案》的分类是未知”其实就是这种场景，你手头有评分的电影做训练，对一部新电影做分类预测。

4. 训练第一个能用的模型：时间切分、参数设置与评估指标

4.1 按时间划分训练集和测试集，别用随机划分

课程作业里最常见的错误是直接调用train_test_split随机划分数据。随机划分在电影数据上有一个致命问题：它会让训练集里混入未来年份的电影，模型等于“偷看”了未来信息。这在答辩时一旦被老师问到“训练集和测试集是否独立”，很容易被当成数据泄漏处理。

标准做法是按时间切分。假设数据覆盖 2000 到 2023 年，以 2018 年为界，之前的电影作为训练集，之后的作为测试集。这样模型看到的都是过去的数据，预测的是未来的电影，更符合真实业务场景。

train = df[df["year"] <= 2018].copy() test = df[df["year"] >= 2019].copy() feature_cols = [c for c in train.columns if c not in ["movie_id", "title", "rating", "boxoffice", "release_date", "year"]] X_train = train[feature_cols] y_train = train["rating"] X_test = test[feature_cols] y_test = test["rating"] print(X_train.shape, X_test.shape) print("训练集评分缺失:", y_train.isna().sum(), "测试集评分缺失:", y_test.isna().sum())

这里把 year 列从特征里直接排除掉，但用它做时间切分条件。注意评分缺失值的问题：如果训练集里 y 有缺失，先对 y_train 做 dropna，同时对应删除 X_train 里的行，或者用 fillna 填充。我建议直接删除缺失评分样本，因为样本量足够时，缺失的几十条不会影响整体建模。

特征列的选择也有讲究。导演平均评分和主演平均评分这类从历史数据统计出来的特征可以保留，但导演最近一部电影的票房这类特征容易泄漏，因为最近一部可能和当前电影高度相关。做课程项目时，宁可少放几个特征，也不要放一个有明显泄漏嫌疑的字段。

4.2 模型选型与参数调优：随机森林还是 XGBoost

电影评分预测的数据量一般在几千条到几万条，这个量级下，随机森林和 XGBoost 都能胜任。随机森林的优势是默认参数下表现稳定，不容易过拟合；XGBoost 的优势是上限更高，调参之后通常比随机森林好一点点。课程项目我更推荐 XGBoost，因为它在答辩时可以展开讲“梯度提升”的思路，显得更有技术深度，而不是一句“随机森林就是多棵决策树投票”带过。

下面是一份可以直接跑通的训练代码：

from xgboost import XGBRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error model = XGBRegressor( n_estimators=300, max_depth=5, learning_rate=0.05, subsample=0.8, colsample_bytree=0.8, random_state=42 ) model.fit(X_train, y_train) pred = model.predict(X_test) print("MAE:", mean_absolute_error(y_test, pred)) print("RMSE:", mean_squared_error(y_test, pred, squared=False))

这段代码里五个参数是关键。n_estimators 是树的数量，300 在几千条数据的场景下足够，再大容易过拟合；max_depth 控制单棵树深度，5 层对表格型数据是安全值；learning_rate 是学习率，0.05 配合 300 棵树比 0.1 配合 150 棵树更稳定；subsample 和 colsample_bytree 分别是样本采样率和特征采样率，都设为 0.8 能减少过拟合。

调参不必追求极致。课程项目的时间有限，与其在网格搜索上耗一天，不如把精力放在特征工程上。特征做得好，默认参数下模型效果就能达到及格线；特征做得差，调出花来也救不回。如果你要调参，优先调 max_depth 和 learning_rate，这两个对结果影响最明显，其他参数保持默认即可。

随机森林版本也顺手给出来，方便你对比。

from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor( n_estimators=400, max_depth=10, min_samples_leaf=5, random_state=42 ) rf.fit(X_train, y_train) rf_pred = rf.predict(X_test)

随机森林里最值得关注的是 min_samples_leaf，它控制叶子节点的最少样本数。最小样本数设为 5 可以有效避免叶子节点学出过于极端的值。如果数据集特别小，比如只有 2000 条，建议把 min_samples_leaf 提到 10。

4.3 评估指标怎么选，能让答辩老师挑不出毛病

评分预测场景下，我同时看两个指标：MAE 和 RMSE。MAE 是平均绝对误差，含义是“预测评分平均差了 0.5 分”；RMSE 对误差大的样本更敏感，如果模型把真实 2 分的电影预测成 9 分，RMSE 会显著上升。两者一起看，能判断模型是整体偏稳还是偶尔有极端错误。

MAPE 在票房预测里更常用，它表示预测误差相对于真实值的百分比。票房回归里真实值数量级差异大，MAE 会被高票房样本主导，MAPE 则能反映中低票房电影预测得准不准。

这里有个容易被忽视的点：训练集和测试集指标要同时打印出来。如果训练集 MAE 只有 0.2，测试集 MAE 却有 0.8，说明过拟合严重，特征数量太多或者树模型太深。反过来，如果两边都是 0.8，可能特征完全没有预测力，需要回到特征工程重新想。模型本身是黑匣子，但这两个数字能帮你听出黑匣子里有没有动静。

5. 避坑：这些坑会让你的期末项目重做一遍

5.1 数据泄漏：年份特征让模型偷看了未来

现象：模型在测试集上表现特别好，MAE 只有 0.3，但是换成其他年份的数据验证，效果立刻崩盘。

原因：把“上映年份”直接当作特征放进了模型。树模型发现年份越大、评分越高，于是直接学出一个“2019 年以后电影评分普遍高”的错误规律。测试集恰好都集中在 2019 年以后，所以预测分数很好看，但这个模型完全不具备泛化能力。

解决：特征列表里去掉完整年份，只保留月份、星期、季节这些时间周期特征。判断一个特征是否泄漏的标准很简单：如果这条特征的取值本身包含了目标结果的信息，它就是泄漏。年份本身不直接包含评分，但它可能和评分存在相关性，模型会利用这种相关性。

5.2 票房回归全预测在均值附近，还出现负值

现象：预测票房时，模型输出集中在票房均值附近，几乎没有极端值，甚至出现负数票房。

原因：票房分布严重右偏，少数爆款电影票房极高，多数电影集中在低位。线性模型和树模型直接拟合原始票房时，为了降低整体误差，会倾向把所有样本都预测到中心位置，同时被极端值拉出负值区域。

解决：目标变量做 log1p 变换，让分布接近正态后再训练。预测完成后用 expm1 还原。评估指标从 MAE 换成 MAPE，因为对数空间里的预测误差更接近百分比误差。这个操作属于“看着简单但极其关键”的后悔药，不做的话模型几乎不能用。

df["boxoffice_log"] = np.log1p(df["boxoffice"]) # 模型拟合的是 boxoffice_log # 还原预测值时： pred_boxoffice = np.expm1(model.predict(X_test))

5.3 评分缺失值处理不当，残差全被带偏

现象：训练时提示 y 里有 NaN，报错后随便用 0 填充，结果模型学习出的评分普遍偏低。

原因：0 分在评分体系里有明确含义，用 0 填充缺失值等于告诉模型“部分平均分极低”。对树模型而言，缺失值填充方式会影响分裂点选择，错误填充会污染整个分支。

解决：如果缺失样本占比小于 20%，直接删除目标缺失样本；如果占比高，可以用特征的中位数填充，或者用“众数”填充。特征列的缺失值用中位数更稳健，因为它不受极端值影响。数据集行数不够的话，可以用 KNN 填充邻近样本的均值，但课程项目里中位数就够用了。

5.4 可视化大屏为了图多而堆砌，答辩被连环问住

现象：做了 8 张图，包括词云、雷达图、桑基图、地图，看起来很热闹。答辩老师指着其中一张雷达图问“这张图想说明什么问题”，答不上来。

原因：做可视化时只考虑“常见图表类型”，没有考虑“这张图服务于哪条业务结论”。雷达图在电影数据上几乎没有天然合理的应用场景，硬凑出来只是为了图形好看。

解决：做可视化前先确定五个结论，再为结论配图。比如结论一“数据覆盖年份跨度大”，配年份分布柱状图；结论二“评分集中在 6 到 8 分”，配评分直方图；结论三“类型影响评分”，配各类型平均评分条形图；结论四“模型预测效果好”，配真实 vs 预测散点图；结论五“哪些特征最重要”，配特征重要性图。五张图对应五个结论，每张图都经得住追问。

5.5 导演历史票房做反了，用到了未来信息

现象：统计导演历史平均票房作为特征后，模型效果奇好，但换一批数据就失效。

原因：计算历史平均票房时包含了当前电影之后的电影数据。比如导演 A 拍了 10 部电影，在预测第 5 部电影时，你已经把他第 6 到第 10 部电影的票房也算了进去。这在时间维度上属于典型的未来信息泄漏，模型相当于“看着答案做题”。

解决：统计历史特征时，必须限定“只统计上映时间早于当前电影的数据”。实现上要对每一部电影单独计算，不能用全局 groupby 一把梭。一个通用做法是：

df = df.sort_values("release_date") df["director_hist_avg"] = df.groupby("director")["rating"].transform( lambda x: x.shift().expanding().mean() )

这里 shift 把当前行的值往后挪一位，让当前电影看不到自己的真实评分；expanding().mean() 计算从历史上第一部到上一部的累计平均。这个逻辑写出来以后，可以在答辩时主动说出来，比任何参数调优都更能证明你的工程素养。

6. 用 Flask + ECharts 搭一个能演示的看板：验证模型并展示结果

6.1 最小项目结构与一个数据接口

可视化部分不需要做得多花哨，关键是结构和逻辑清晰。常见做法是把项目拆成 app.py 和 templates/index.html，数据清洗和模型训练的结果保存成中间文件，Flask 应用只负责读取结果并提供接口。我习惯在项目根目录放这几个文件：

movie_project/ ├── app.py # Flask 后端 ├── templates/ │ └── index.html # 可视化页面 ├── data/ │ └── processed.csv # 预处理后的数据 ├── train_model.py # 特征工程与模型训练 └── requirements.txt

train_model.py 跑完后，把预测结果写回 processed.csv 的 pred_rating 列，app.py 只读数据不做训练。这样演示时即使训练代码有问题，可视化看板也能正常展示。app.py 里最核心的是一个提供评分分布数据的接口：

from flask import Flask, jsonify, render_template import pandas as pd app = Flask(__name__) df = pd.read_csv("data/processed.csv") @app.route("/") def index(): return render_template("index.html") @app.route("/api/rating_dist") def rating_dist(): bins = [0, 2, 4, 6, 8, 10] series = pd.cut(df["rating"], bins=bins).value_counts().sort_index() return jsonify({ "bins": [str(x) for x in series.index], "counts": series.tolist() }) if __name__ == "__main__": app.run(debug=True)

注意 pd.cut 返回的区间对象转成字符串后形如“(4, 6]”，前端可以直接作为类目轴显示。这个接口虽然只做了评分分布一件事，但它是一个通用模板；接下去你想加票房分布、类型分布，都是复制同样的写法，改一列数据即可。就这样一个接口，已经足够支撑演示时讲“样本质量”和“数据分布”两个话题。

6.2 用 ECharts 画预测散点图，一眼看出模型好坏

前端模板里，我用 ECharts 画一个真实评分 vs 预测评分散点图。散点图是所有可视化图表里最适合验证回归模型效果的图，预测完全准确时，所有点会落在 y=x 这条直线上。点越集中在这条线附近，模型效果越好。

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <script src="https://cdn.jsdelivr.net/npm/echarts@5/dist/echarts.min.js"></script> </head> <body> <div id="scatter" style="width: 100%; height: 450px;"></div> <script> fetch("/api/pred_scatter") .then(r => r.json()) .then(data => { const scatter = echarts.init(document.getElementById("scatter")); scatter.setOption({ title: { text: "真实评分 vs 预测评分" }, xAxis: { name: "真实评分", type: "value", min: 0, max: 10 }, yAxis: { name: "预测评分", type: "value", min: 0, max: 10 }, series: [{ type: "scatter", data: data.actual.map((v, i) => [v, data.pred[i]]), symbolSize: 6 }] }); }); </script> </body> </html>

这里没有多余的花哨配置，但做了两件对答辩有用的事：x 轴和 y 轴都固定 0 到 10，保证散点图不会被离群点拉伸变形；title 直接写了“真实评分 vs 预测评分”，让老师一眼看懂图意。如果你想要更直观的效果，可以再加一条 y=x 的参考线，但 ECharts 的 markLine 配置容易让代码变长，课程项目里不强求。

还要加一个数据接口给这个图提供数据：

@app.route("/api/pred_scatter") def pred_scatter(): sample = df.sample(200, random_state=42) return jsonify({ "actual": sample["rating"].round(2).tolist(), "pred": sample["pred_rating"].round(2).tolist() })

注意这里随机取了 200 条，而不是把几千条全传过去。浏览器没压力，图也更清晰——全量数据几千个点叠在一起，反而不如 200 个点看得清楚。random_state 固定后，每次刷新页面结果一致，演示时不会出现“上一秒和下一秒图不一样”的尴尬。

6.3 演示顺序与可解释性验证

可视化看板搭好后，不要让老师自己点着看，而是按事先设计好的顺序讲。我第一次用这套方案做答辩时，演示流程通常是：先打开总览卡片，说明数据量、时间跨度、评分均值，建立数据可信度；再打开评分分布图，说明大部分电影集中在 6 到 8 分，这是后续模型评估的基准；接着切到类型分析图，指出类型是预测评分的重要特征；最后打开预测散点图，展示模型效果。整个流程控制在 5 分钟以内。

一个加分技巧是加上特征重要性条形图，直接从 XGBoost 模型里导出 feature_importances_，按重要性排序取前十个特征展示。这能回应最常被问到的问题：“你的模型凭什么这么预测？”特征重要性图就是模型的黑匣子窥视镜，也是最容易让答辩老师认可你做了真工作的细节之一。

我在这个项目里也踩过可视化堆砌的坑，第一次做大屏时为了“炫”，弄了十几个图表，结果被评委指着一张热力图问了五分钟，答不上来。现在的习惯是先写结论再配图，图的数量控制在五张以内，每张都能用一句话说清楚“想表达什么”。项目做到这个程度，分数不会低。希望帮到你。

本文还有配套的精品资源，点击获取