门店特征重要性分析系统

这是一个基于机器学习的门店特征重要性分析系统，用于分析影响门店日营业额的各种因素。项目使用多种机器学习方法（BP神经网络、随机森林等）来评估不同特征对营业额的影响程度。

功能特点

• 多模型分析：使用BP神经网络、随机森林等多种机器学习方法进行特征重要性分析
• 全面的特征评估：包含排列重要性、SHAP值等多种特征重要性评估方法
• 可视化分析：提供直观的特征重要性可视化图表
• 模型稳定性分析：包含权重稳定性分析，确保结果的可靠性
• 中文支持：完整支持中文显示和输出

数据说明

数据集包含以下主要特征：

• 门店基本信息（名称、所在行政区）
• 500米范围内的环境特征（住宅人口、商业场所客流量、青少年人数等）
• 基础设施特征（地铁出口、公交站、商场、学校数量等）
• 目标变量：日营业额

安装说明

1. 安装依赖包：

pip install -r requirements.txt

使用方法

1. 准备数据：

   • 将数据文件 data.csv 放在项目根目录下
   • 确保数据格式符合预期（参考数据说明部分）

2. 运行分析：

python feature_importance_analysis.py

1. 查看结果：
   • 分析结果将保存在 results 目录下
   • 包含特征重要性图表和详细的分析报告

项目结构

项目根目录/
├── feature_importance_analysis.py  # 主分析脚本
├── data.csv                        # 原始数据
├── results/                        # 结果输出目录
│   └── pictures/                   # 可视化图表
└── README.md                       # 项目说明文档

主要功能模块

• load_and_preprocess_data(): 数据加载和预处理
• train_bp_network(): BP神经网络训练
• train_random_forest(): 随机森林模型训练
• calculate_permutation_importance(): 计算排列重要性
• calculate_shap_values(): 计算SHAP值
• visualize_feature_importance(): 特征重要性可视化
• analyze_weights_stability(): 分析权重稳定性

依赖包

• numpy
• pandas
• matplotlib
• scikit-learn
• seaborn
• shap

注意事项

1. 确保数据文件格式正确
2. 建议使用Python 3.7或更高版本
3. 首次运行时可能需要安装额外的依赖包
4. 确保有足够的磁盘空间存储分析结果

贡献指南

欢迎提交Issue和Pull Request来改进项目。在提交代码前，请确保：

1. 代码符合PEP 8规范
2. 添加适当的注释
3. 更新相关文档
4. 通过所有测试

许可证

本项目采用MIT许可证。详见LICENSE文件。

联系方式

如有任何问题或建议，请通过以下方式联系：

• 提交Issue
• 发送邮件至[hy20051123@gmail.com]