Python决策树票房预测：从特征工程到模型调参实战指南

简介：面向计算机、电子信息和应用数学等专业学生，这套基于决策树的Python电影票房预测项目适合作为毕业设计、课程设计或学期项目的完整参考。项目围绕数据预处理、ID3/CART/GBDT决策树构建、模型训练与评估、结果可视化等关键环节展开，提供多版本迭代源码、原始与处理后Excel数据、已训练模型参数文件以及README说明文档，能够支撑从数据清洗到模型落地的全流程学习。压缩包共62个文件，约4.59MB，主要文件类型包括16个py源码、9个xlsx数据表、17个dat模型文件、8个pyc编译缓存、1个md说明文档及备份zip，适合具备基础Python能力、能独立阅读代码并做功能扩展的读者使用。已有47人浏览学习；资源仅供学习交流，使用前需自行准备解压与运行环境，并结合自身项目需求调整。

1. 票房预测不靠直觉：决策树系统在什么场景下值得做

电影票房预测这件事，过去老发行人的经验模型是看导演、看卡司、看档期，再拍脑袋定一个数。后来大家发现，这些经验其实能被结构化的历史数据复现出来：同样类型的片子、同样的上映档期、差不多的主演热度，票房曲线往往高度相似。基于决策树算法的Python电影票房预测系统，做的就是把这套经验转换成可量化规则——用历史票房、影片属性、档期信息训练一棵回归树，让计算机自己找出"什么样的电影大概能卖多少钱"。它是进入票房预测领域门槛最低的方案：不需要深度学习框架，不需要海量样本，一台普通笔记本电脑就能跑通。适合做预测模型验证的从业者、想给影视项目做前期评估的制片团队，以及想练手数据分析的学生。这套方案的核心价值不是追求绝对精准，而是在数据有限时快速产出可解释的预测基线，让你知道哪些因素真正影响票房。

2. 决策树凭什么能预测票房：算法原理与参数选择

2.1 决策树如何从票房数据里"长出"规则

决策树虽然听起来像"一堆if-else拼起来"，但回归树的生长逻辑刚好贴合票房预测这种多维特征场景。它做的事很简单：每次从特征里挑一个对票房方差影响最大的分裂点，把样本一分为二，然后每一半继续分裂，直到满足停止条件。最终生成一棵倒挂的树，从根到叶子的路径就是一条预测规则。

举个例子，模型可能先按"上映月份是否在7月或8月"分裂，因为暑期档的样本票房普遍高于其他月份；左边叶子再按"制作成本是否高于1.5亿"继续分，分出高成本暑期大片和低成本暑期片。每个叶子节点里所有样本的票房平均值，就是落到该叶子的新片的预测值。

这里的"对票房方差影响最大"是回归树区别于分类树的核心。分类树用基尼系数或信息熵衡量类别纯度的提升，回归树用均方误差（squared_error）下降量来选分裂特征。你可以这么理解：如果按某个特征的某个阈值切一刀后，两边样本票房的离散程度变小，说明这一刀切出了有意义的票房档位关系。这个特征就是当前最优分裂特征。

回归树的叶子输出是均值，所以它对异常值非常敏感。票房分布本来就是长尾：一部《战狼2》能顶几十部文艺片的总和，单个极端值会把某个叶子节点的均值拉向天上。因此实际做票房预测时，直接拿原始票房当y值训练会得到一堆"看似合理但一预测就偏"的结果。常见做法是对票房取对数，让分布变得接近正态，再扔给决策树。

2.2 三个必调参数：深度、最小样本数、分裂标准

决策树最玄学的部分就是剪枝参数。参数设太深，树会把每部电影的死规则背下来；设太浅，则连暑期档和春节档的差异都学不到。基于我拿几万条历史票房数据调参的经验，有四个参数需要重点盯，下面用一张参数表说明它们各自的作用和推荐范围。

为什么要优先关注max_depth和min_samples_leaf？因为票房预测的特征量通常只有十几到几十个，如果树深度超过10，几乎必然出现某个叶子只覆盖一两部电影的过拟合情况。min_samples_leaf=5意味着每个预测桶里至少有5部历史电影做平均，这对稳定预测极端票房很关键。

criterion参数不用反复改，scikit-learn回归树默认squared_error就够用。friedman_mse是改进版均方误差，它对分裂点的搜索更精确，但计算量稍大，数据量小时两者结果差别不大。如果你用的是XGBoost或LightGBM，这套参数思路同样成立，只是多了learning_rate和n_estimators需要额外调整。

在实际项目里，不要试图手动凭经验调这四个参数。把它们做成网格搜索跑一遍，比拍脑袋快得多，也更能发现特征交互中暗含的规律。第4章会给出具体的GridSearchCV实现方式，但调参前请先确认已经处理干净特征，否则参数搜索只是浪费算力。

3. 造训练集：票房历史数据清洗与特征工程

3.1 拿到的原始数据长什么样：字段与缺失值

我处理过公开的电影数据库和发行方给的历史表格，原始数据通常不会直接给出"票房标签"。比较典型的字段包括：电影名、上映年份、上映月份、发行公司、导演、第一主演、第二主演、电影类型、制作成本、宣传费用、院线覆盖数、点映场次、正式上映首周票房、总票房。

这里有个关键陷阱：首周票房和总票房都是"上映后"才能知道的值。如果你的目标是用上映前信息做预测，那这些字段不能作为特征。但不少教程会把它们混进去，造成"预测滞后"的假象。我们要建设的系统目标是上映前预测总票房，所以特征的截止时间必须严格卡在"上映当天的开画信息"之前。

清洗方面，缺失值主要出现在制作成本和宣传费用上。小成本文艺片经常不披露制作成本，这种事情别瞎填0，决策树会把它当成一个真实的低成本档位。常见做法是用同类型电影的成本中位数来填补，再单独加一个"成本是否缺失"的布尔特征，让模型自己判断缺失本身是否携带信息。

上映月份是容易产生魔法值的地方。如果直接把月份数字1~12喂给树，它只能学到线性关系，但春节档在1月或2月不定，暑期档横跨6到9月。正确的做法是把月份映射成语义档期：春节档、暑期档、国庆档、其他档，然后对档期做编码或分桶。

3.2 特征如何编码：从上映档期、导演、主演到数值特征

票房预测中最难编码的是人——导演和主演。直接传名字字符串是没法训练的，传ID又会掉进第5章会讲到的高基数陷阱。我一般用两个替代特征：导演前三部个人作品的平均票房，以及主演前三部作品的平均票房。这个"前三部"窗口要随训练集的年份滚动计算，不能把所有年份的电影混在一起求均值，否则会泄漏未来信息。

下面是用pandas做特征工程的简化方案，假设原始数据已存入DataFrame df，包含release_month、director、actor、cost列。

import pandas as pd import numpy as np # 档期映射：春节只看农历太复杂，这里按公历月份大致分桶 df['season'] = df['release_month'].map({ 1: 'winter', # 元旦档附近 2: 'spring', # 春节档大概率落在2月 5: 'labor', 6: 'summer', 7: 'summer', 8: 'summer', 10: 'national', # 其他月份全部归为normal }).fillna('normal') # 导演热度：按导演分组，取该导演在这部电影之前所有作品票房的均值 # 使用shift(1)确保当前电影的标签不参与自己特征的计算 df = df.sort_values(['director', 'release_date']) df['prev_director_box'] = df.groupby('director')['total_box'].transform(lambda x: x.expanding().shift(1).mean()) df['prev_director_box'] = df['prev_director_box'].fillna(df['total_box'].median()) # 主演热度类似，这里不再展开 # 成本缺失标记 df['cost_missing'] = df['cost'].isnull().astype(int) df['cost'] = df['cost'].fillna(df.groupby('type')['cost'].transform('median'))

以上代码里的逻辑说明：分档期挑选的是维度清晰的票房影响因素，直接编码成字符串再独热；prev_director_box用了expanding().shift(1)，这是业界处理时序用户特征的标准姿势——从历史窗口里累积统计，当前样本不参与自己的均值计算。如果直接groupby用transform加mean，会把当前电影的票房算进导演热度，造成严重的标签泄漏。

缺陷在于，早期导演没有历史作品时，特征为空，回填到全量中位数会让模型认为"未知导演=普通导演"。更好的做法是额外加一个has_prev_work布尔特征，把未知状态显式告诉模型。

3.3 数据集拆分与标签划分：预测首周还是总票房

我们到底要让决策树预测什么"票房"？这个问题直接决定特征范围。如果目标是宣发策略参考，预测首周票房更有价值——首周票房与排片、点映口碑强相关，是可执行的决策变量。如果目标是投资回报评估，预测总票房更合适。两种任务的标签分布形状差异很大，首周票房往往更集中，总票房长尾更严重。

我的建议是先做总票房预测，因为它对特征完备性要求更高，能暴露更多数据问题。标签y定义为历史电影的总票房，单位用万元，并对y进行log变换，这是第5章避坑指南里的核心手段。

数据集拆分不能使用随机切分。电影市场存在明显的时间漂移，用2000年的片子训练、用2020年的片子测试，模型会系统性低估近年票房。应该按上映时间排序，取前80%年份做训练，后20%年份做验证。代码上不要用train_test_split，手动按时间排序后切片更稳妥。

df = df.sort_values('release_date') split_idx = int(len(df) * 0.8) train_df = df.iloc[:split_idx] test_df = df.iloc[split_idx:] X_train = train_df[['cost', 'prev_director_box', 'season', 'type', 'cost_missing']] y_train = np.log1p(train_df['total_box'])

注意，我这里用了np.log1p而不是np.log，因为有的总票房是0（极小成本片可能没上院线），log1p保证0值也有定义域。训练集和验证集都按时间切分之后，特征工程部分也要重新在训练集上计算导演历史均值，不能在全部数据上算完再切分。正是这种细节保证了验证集上的指标不是虚高。

4. 在Python里实现决策树票房预测：从训练到回归评估

4.1 用scikit-learn训练回归树的最小代码

假设特征工程已经完成，X_train是（n_samples, n_features）的数值矩阵，y_train是对数化后的票房。下面是用决策树回归实现的最短可运行代码。

from sklearn.tree import DecisionTreeRegressor # 回归树：criterion默认squared_error model = DecisionTreeRegressor( max_depth=6, min_samples_leaf=5, min_samples_split=10, random_state=42 ) model.fit(X_train, y_train) # 验证集预测，注意要把预测值做指数还原 y_pred_log = model.predict(X_test) y_pred = np.expm1(y_pred_log)

这里的random_state用于保证结果可复现，供后续调参对比。max_depth=6和min_samples_leaf=5是我在中小数据量下的保守起点，不是最优值。

训练完成后，可以用sklearn.tree.export_text把树结构打印出来，观察它到底用了哪些特征。你会惊讶地发现，根节点分裂往往集中在制作成本和档期上，而不是导演或主演。这是决策树可解释性的价值——让业务方看到模型依据的是什么。

4.2 网格搜索自动调参：GridSearchCV的用法与陷阱

决策树的参数组合不多，适合用网格搜索穷举。但直接用GridSearchCV会踩一个隐蔽的坑：它的默认交叉验证是KFold，会随机打乱数据顺序，这对时间序列数据是致命的。票房数据按年份排列，随机打乱会让模型用未来数据预测过去，验证结果虚高。

正确做法是使用TimeSeriesSplit，它保持时间顺序，前k折只使用更早的数据做训练，后折做验证。

from sklearn.model_selection import GridSearchCV, TimeSeriesSplit param_grid = { 'max_depth': [4, 6, 8, 10], 'min_samples_leaf': [3, 5, 10], 'min_samples_split': [5, 10, 20], } tscv = TimeSeriesSplit(n_splits=5) search = GridSearchCV( DecisionTreeRegressor(random_state=42), param_grid, scoring='neg_mean_absolute_error', cv=tscv, n_jobs=-1 ) search.fit(X_train, y_train) print('best params:', search.best_params_) print('best MAE:', -search.best_score_)

这段代码里的逻辑说明：TimeSeriesSplit会把训练集划分成5个连续时间段，例如第1段做训练，第2段做验证；第1+2段做训练，第3段做验证；以此类推。这模拟了逐年滚动建模的实际情况，分数比随机KFold要低许多，但这才是真实可信的泛化误差。

scoring用neg_mean_absolute_error是因为GridSearchCV要求评分函数越高越好，而MAE是越低越好，所以取负值。如果你对比的是MSE，记得同样取neg_mean_squared_error。

4.3 评估指标：MAE、MAPE和R2怎么选

票房预测的评估指标不能只看一个。MAE（平均绝对误差）是业务最直观的衡量：预测票房和实际票房平均差多少万元。但如果数据里包含几部超10亿的大片，MAE会被它们放大。

MAPE（平均绝对百分比误差）适合向老板汇报"平均偏差12%"，但当真实票房接近0时，百分比会变得异常巨大，个别样本会彻底扭曲整个指标。在票房这种长尾分布下，MAPE的参考价值有限。

R2（决定系数）则错误率不言不语，在回归树这种非线性模型上，R2本身没有线性回归中"解释方差比例"的含义，更多时候只能做横向对比模型之间优劣。

我通常建议把MAE作为主指标，同时报告中位数绝对误差（MedAE），它对离群值更稳健。如果你想区分模型在头部大片和长尾小片上的能力，可以先按真实票房分桶，再分别计算各桶的MAE。我吃过亏——只看整体MAE，以为模型不错，结果在大片桶里预测值普遍低了一半。

from sklearn.metrics import mean_absolute_error, median_absolute_error mae = mean_absolute_error(y_true, y_pred) medae = median_absolute_error(y_true, y_pred) print(f'MAE: {mae:.2f}万, 中位数绝对误差: {medae:.2f}万')

注意，这里的y_true和y_pred都是原始票房单位，不是log变换后的数。因为误差指标必须在业务原始单位上有意义。

5. 决策树票房预测的避坑指南：从特征污染到过拟合

5.1 票房数据里的"未来信息"污染

现象：训练时验证集R2高达0.95，模型看起来完美得能发论文，但一用于预测新片就完全翻车，误差超过100%。

原因：把上映后才知道的信息，比如首周票房、上映前七日想看人数、点映场均人次，当成特征塞进了训练集。决策树对其敏感性极高，会立刻学到"首周票房高则总票房高"的假规则。可是你要预测的新电影根本还没有首周票房，特征值填0或填中位数都会让树走向错误的分支。

解决：建立特征白名单，严格审核每一列的"可得时间"。以总票房为目标时，所有特征必须是电影上映当天或之前就能确定的，比如宣发投入、档期、导演历史战绩、是否IP改编、预售开启时间。凡是需要等到电影播完才知道的，一律剔除。

5.2 类别特征高基数陷阱：导演ID当数值用的翻车现场

现象：把导演姓名用LabelEncoder转成1000以内的整数，模型训练完后验证集斜率还行，但查看树的分裂点，发现模型经常按"导演ID是否小于538"这种毫无意义的规则切分。

原因：整数编码强加了一个不存在的排序关系，而树的分裂逻辑是按"小于等于阈值"去找分裂点的。ID排序是随机的，树却从中挖掘出了"伪规律"。比如恰好ID较小的导演都是早期行业老将，模型就把ID大小当成了经验值。

解决：不使用原始ID特征，改用导演前作票房均值、导演获奖次数、导演社交平台粉丝量等有业务含义的特征。如果是极端高基数特征（如几百个演员），还可以把出现次数不足10次的归为"其他"类别，再按某个聚合指标分桶。

5.3 样本严重不平衡：头部大片和长尾小片

现象：模型对中等成本影片预测尚可，遇到10亿票房以上的大制作时，预测值普遍偏低二三倍。反之，一些几十万票房的低成本片预测值又偏高。

原因：票房分布极度右偏，绝大多数电影样本集中在1千万至5千万区间，决策树在分裂时为了最小化整体均方误差，会尽量把预测值推向高频区间，对长尾上的样例拟合不足。

解决：先对y取自然对数，将乘性误差变成加性误差。对数化后，10亿和1亿的差距从十倍变为约2.3个单位，样本分布更对称，决策树能更好地学出尾部规律。此外可以给样本加权，或对头部样本过采样，不过实操中log变换通常就足够。

5.4 时间序列漂移：用旧片预测新片为什么不准

现象：用1995年到2015年的数据训练，去预测2016年的电影票房，验证集不错，但推2017年的新片时，误差比预期大两倍。

原因：电影市场平均票价上涨、人口观影习惯变化、进口片配额调整，都让新旧样本的分布脱节。树学到的"5000万成本是一个档位"在十年后已经失效。

解决：做按年份滑动的滚窗训练，例如只使用最近5年的数据训练模型，每半年重新训练一次。实际操作中，我把训练窗口从全量改为近5年后，验证集MAE被拉低了20%。这比任何调参都有效。

6. 系统进阶：从单棵决策树到可上线的预测服务

单棵决策树毕竟直愣，如果你已经把系统跑通，下一个值得做的进阶不是换深度学习模型，而是把决策树换成随机森林，或者把训练好的模型封装成一个可调用的函数。随机森林本质上训练上百棵不同抽样的树做平均，能让单棵树的过拟合效应大幅缓解，在票房预测这种样本量不大、特征噪声高的场景里，提升往往比调参更明显。

下面是一个能直接用的模型保存与预测封装。

import joblib from sklearn.ensemble import RandomForestRegressor # 随机森林只需要增加n_estimators，其他参数沿用决策树经验 forest = RandomForestRegressor( n_estimators=200, max_depth=8, min_samples_leaf=5, min_samples_split=10, n_jobs=-1, random_state=42 ) forest.fit(X_train, y_train) joblib.dump(forest, 'box_forest.joblib') def predict_box(cost, season, prev_director_box): loaded = joblib.load('box_forest.joblib') x = [[cost, season, prev_director_box]] log_pred = loaded.predict(x)[0] return float(np.expm1(log_pred)) # 调用示例 print(predict_box(12000, 'summer', 30000))

这段代码里的逻辑说明：joblib比pickle更快更省空间，专门用来存scikit-learn模型。封装成predict_box函数后，你可以在业务脚本里直接输入成本、档期和导演热度，拿到总票房预测值。生产环境建议把这个函数包进Flask或FastAPI接口，每个请求传入一组特征向量，返回预测值和置信区间。

置信区间可以用随机森林预测的每棵树结果分布来计算。取100棵树预测结果的95分位数和5分位数，比单点预测对决策更有参考价值。这是我踩过最大的坑——只给业务方一个数字，他们对数字的信任度会很低；给一个"8千万到1.2亿"的区间，他们才觉得有点依据。

另外提一个技巧：把season特征做独热后喂给模型，而不是把它编码成0/1/2/3这样的整数。因为树在同一特征上的分裂只能做阈值比较，整数编码会把"夏季"和"冬季"强行排在两侧，独热编码虽然增加特征维度，但对树模型开花结果更诚实。我在第3章的特征工程代码里偷懒用了粗暴映射，真实项目记得配合pd.get_dummies使用。

从单棵决策树走到这里，你已经有了一台可以预测新片票房下限和上限的小机器。这套系统的价值不在那个平均值，而在于它把投资和宣发决策里"没法说清的部分"变成了可复用的数据规则。我的习惯是每季度拿新上映电影比分代谢，记录每一次预测偏差，然后回填数据重新训练。与其依赖直觉，不如让树年年更新，希望帮到你。

本文还有配套的精品资源，点击获取