计算机毕业设计Python贝叶斯模型薪资预测 招聘可视化 招聘爬虫 招聘信息分析系统 skit-learn 大数据毕业设计 机器学习 深度学习 Tensorflow

这是一个基于Flask的轻量化招聘信息分析系统，系统基于selenium进行数据爬取并基于pandas进行数据的处理，使用skit-learn的贝叶斯模型预测薪资，前端主要使用html,css,jquery，以echarts作为数据可视化的工具。 注意：所爬取数据来源于大学生招聘信息平台.

核心算法代码分享如下：

import pandas as pd
from sqlalchemy import create_engine
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import CategoricalNB
from sklearn.metrics import accuracy_score
from sklearn.impute import SimpleImputer

con = create_engine('mysql+pymysql://root:123456@localhost:3306/boss')

df = pd.read_sql('select degree,categories,area,company_scale,company_property,salary from jobs_info', con=con)


def native_bayes():
    # 数值化处理
    # factorize返回的是具有两个数组的元组，第一个是整数编码，第二个是映射
    df['degree'] = df['degree'].astype(str).factorize()[0]
    df['categories'] = df['categories'].astype(str).factorize()[0]
    df['area'] = df['area'].astype(str).factorize()[0]
    df['company_scale'] = df['company_scale'].astype(str).factorize()[0]
    df['company_property'] = df['company_property'].astype(str).factorize()[0]  # 该列中有大量缺失数据，如果预测不理想考虑处理

    imp = SimpleImputer(strategy='mean')
    df['company_property'] = imp.fit_transform(df[['company_property']])

    df['salary'] = df['salary'].astype(str).factorize()[0]

    print(df['salary'])

    # 数据集
    X = df.drop('salary', axis=1)  # 指定删除列
    y = df['salary']

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

    # 构建朴素贝叶斯分类模型
    nb = GaussianNB()

    # 在训练集上拟合模型
    nb.fit(X_train, y_train)

    # 在测试集上进行预测
    y_pred = nb.predict(X_test)

    # 计算准确率
    accuracy = accuracy_score(y_test, y_pred)
    print("准确率:", accuracy)


if __name__ == '__main__':
    native_bayes()