基于决策树的电影票房预测代码

基于决策树的电影票房预测通常涉及以下步骤，这里提供一个简化的Python示例，使用scikit-learn库：

# 导入所需的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error

# 加载数据集（假设是一个CSV文件）
data = pd.read_csv('movie_box_office_data.csv')

# 数据预处理
X = data.drop('box_office', axis=1)  # 特征列
y = data['box_office']  # 目标变量 - 票房收入

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练决策树模型
model = DecisionTreeRegressor(random_state=42)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估性能
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error (MSE): {mse}")

# 如果需要，可以调整树的复杂度等参数以优化模型

这个例子中，我们首先加载包含电影特征（如导演、演员、类型等）的数据，并将其分为特征和目标变量。然后将数据划分为训练集和测试集，训练决策树模型，用于预测票房收入。最后计算预测结果的误差。