%20(2).svg)
项目简介
本项目通过分析台北市警察局提供的2015年至2019年道路交通事故调查报告，运用数据预处理、特征分析和模型训练等方法，构建车祸类型分类模型，并用SHAP分析每年车祸结果的分类变化，为政策制定者提供建议，以制定有效交通安全措施，减少事故发生、提升公共安全。
项目的主要特性和功能
- 数据预处理：用Python脚本处理并合并多个Excel文件中的交通事故数据，生成统一的CSV文件，方便后续分析。
- 特征分析：利用随机森林模型分析数据特征重要性，筛选出对结果有显著影响的特征。
- 模型训练与评估：尝试多种分类模型（决策树、随机森林、梯度提升等），通过交叉验证评估性能，选出最佳模型。
- 结果分析：使用SHAP值分析模型决策过程，识别影响事故发生的关键因素。
安装使用步骤
环境准备
确保已安装Python及其相关的机器学习库（如pandas、sklearn、matplotlib、shap等）。使用以下命令安装所需的库：
bash
pip install pandas scikit-learn matplotlib shap
数据预处理
运行data.py脚本，合并并处理数据：
bash
python data.py
该脚本将生成step1.csv文件，包含合并后的数据。
特征分析
运行RandomForest.py脚本，分析特征重要性：
bash
python RandomForest.py
该脚本将生成step2.csv文件，包含特征重要性分析结果。
模型训练与评估
运行model_training.py脚本，训练并评估模型：
bash
python model_training.py
该脚本将输出模型训练过程中的损失和准确率图表，并保存最佳模型。
结果分析
运行shap_analysis.py脚本，分析模型预测结果：
bash
python shap_analysis.py
该脚本将生成SHAP分析图表，展示关键特征对预测结果的影响。
结果查看
- 数据预处理结果：查看
step1.csv文件，包含合并后的数据。 - 特征分析结果：查看
step2.csv文件，包含特征重要性分析结果。 - 模型训练结果：查看模型训练过程中的损失和准确率图表。
- SHAP分析结果：查看SHAP分析图表，了解关键特征对预测结果的影响。
注意事项
- 由于项目涉及多个文件和步骤，建议按照顺序逐一运行脚本，并查看每个步骤的输出结果。
- 项目使用的数据集为非公开数据，需确保数据来源合法。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】