博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：
python语言、Flask框架、xgboost、前程无忧网站、requests爬虫 决策树回归模型、XGBoost回归模型。
招聘数据分析 爬虫 推荐 薪资预测 机器学习双模型 前程无忧 文档

2、项目界面

（1）岗位行业分析

（2）岗位应聘要求分析

（3）数据中心

（4）词云图分析

（5）高薪行业与岗位推荐

（6）薪资预测

（7）后台管理

（8）数据采集

（9）注册登录

3、项目说明

本项目利用 Python 从前程无忧招聘网站抓取招聘数据，进行数据清洗和格式化后存储到关系型数据库中（如mysql、sqlite等），利用 Flask + Bootstrap + Echarts 搭建招聘信息可视化分析系统，
实现不同岗位的学历要求、工作经验、技能要求、薪资待遇等维度的可视化分析，并根据岗位所在地进行不同地域（华东、华北、华中、华南、西南、西北和东北）维度的细粒度分析。
同时依据用户需求实现热门岗位的推荐，并利用机器学习决策树模型和XGBoost模型的岗位薪资预测。

一、预测模块
利用机器学习决策树模型和XGBoost模型的岗位薪资预测。

完成了两个机器学习模型的训练和评估：决策树回归模型和XGBoost回归模型。

简要步骤如下：
1、数据预处理：
将类别数据映射为数值数据。
提取目标变量 y 和特征变量 X。
2、导入机器学习库：
导入必要的机器学习库。
3、训练决策树回归模型：
创建决策树回归模型。
划分训练集和测试集。
训练模型并评估性能（MAE 和 R²）。
4、训练 XGBoost 回归模型：
划分训练集和测试集。
创建 XGBoost 回归模型。
训练模型并评估性能（MAE 和 R²）。
5、调用函数：
调用函数训练两个模型。

4、核心代码

def calc_salary(salary):
    """
    薪资数值化
    """
    salary = salary.split('·')[0]
    salary_data = salary.split('-')
    if len(salary_data) != 2:
        return None, None, None
    min_salary, max_salary = salary.split('-')[0], salary.split('-')[1]
    if '年' in salary:
        return None, None, None

    if max_salary.endswith('千'):
        max_scale = 1000
        max_salary = max_salary[:-1]
    elif salary.endswith('万'):
        max_scale = 10000
        max_salary = max_salary[:-1]
    else:
        return None, None, None

    if min_salary.endswith('千'):
        min_scale = 1000
        min_salary = min_salary[:-1]
    elif min_salary.endswith('万'):
        min_scale = 10000
        min_salary = min_salary[:-1]
    else:
        min_scale = max_scale
    # 计算平均薪资
    max_salary = max_scale * float(max_salary)
    min_salary = min_scale * float(min_salary)
    salary = min_salary + max_salary / 2
    return salary, min_salary, max_salary




# 薪资预测模型
sql = 'select hangye,xueli,city,jingyan,salary from job'
conn = sqlite3.connect(DATABASE)
cursor = conn.cursor()
cursor.execute(sql)
jobs = cursor.fetchall()

train_datas = []
for job in jobs:
    hangye, xueli, city, jingyan, salary = job

    if city + '市' not in city_fenqu_maps:
        continue

    fengqu = city_fenqu_maps[city + '市']
    salary, min_salary, max_salary = calc_salary(salary)
    if salary:
        train_datas.append([hangye, xueli, fengqu, jingyan, salary])

train_datas = pd.DataFrame(train_datas, columns=['hangye', 'xueli', 'fengqu', 'jingyan', 'salary'])

# 行业
hangye_mean = train_datas.groupby('hangye')['salary'].mean().reset_index().sort_values(by='salary', ascending=False)
all_hangye = hangye_mean['hangye'].values.tolist()

# 学历
xueli_mean = train_datas.groupby('xueli')['salary'].mean().reset_index().sort_values(by='salary', ascending=False)
all_xueli = xueli_mean['xueli'].values.tolist()

# 地区
fengqu_mean = train_datas.groupby('fengqu')['salary'].mean().reset_index().sort_values(by='salary', ascending=False)
all_fengqu = fengqu_mean['fengqu'].values.tolist()

# 工作经验
jingyan_mean = train_datas.groupby('jingyan')['salary'].mean().reset_index().sort_values(by='salary', ascending=False)
all_jingyan = jingyan_mean['jingyan'].values.tolist()

hangye_map = {hy: i for i, hy in enumerate(all_hangye)}
xueli_map = {hy: i for i, hy in enumerate(all_xueli)}
fengqu_map = {hy: i for i, hy in enumerate(all_fengqu)}
jingyan_map = {hy: i for i, hy in enumerate(all_jingyan)}

print(xueli_map)
print(hangye_map)
print(fengqu_map)
print(jingyan_map)

# 1、构造决策树机器学习模型
train_datas['hangye'] = train_datas['hangye'].map(hangye_map)
train_datas['xueli'] = train_datas['xueli'].map(xueli_map)
train_datas['fengqu'] = train_datas['fengqu'].map(fengqu_map)
train_datas['jingyan'] = train_datas['jingyan'].map(jingyan_map)
# 导入机器学习库
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_absolute_error, r2_score
from sklearn.model_selection import train_test_split

y = train_datas['salary'].values
del train_datas['salary']


def train_regr():
    # 创建回归模型
    regr = DecisionTreeRegressor(max_depth=19)
    # 目标变量
    X = train_datas.values
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    print('开始训练决策树回归模型。。。。。')
    regr.fit(X, y)
    pred = regr.predict(X)
    mae = mean_absolute_error(y, pred)
    r2 = r2_score(y, pred)
    print(f'平均绝对误差MAE: {mae:.3f} 元')
    print(f'拟合优度R^2: {r2:.3f}')
    return regr


# 2、XGBOOST回归模型
def train_xgb():
    # 构建目标变量
    X = train_datas.values
    # 划分训练集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    print("开始训练XGBOOST回归模型。。。。。")
    xgb_models = xgb.XGBRegressor(
        objective="reg:squarederror",
        colsample_bytree=0.5,
        subsample=0.8,
        learning_rate=0.01,
        max_depth=10,
        alpha=10,
        n_estimators=500,
        min_child_weight=3,
        gamma=2,
        random_state=42
    )
    xgb_models.fit(X_train, y_train)
    pred = xgb_models.predict(X_test)
    mae = mean_absolute_error(y_test, pred)
    r2 = r2_score(y_test, pred)
    print(f'平均绝对误差MAE: {mae:.3f} 元')
    print(f'拟合优度R^2: {r2:.3f}')
    return xgb_models
regr = train_regr()
xgb_models = train_xgb()




@app.route('/get_selectors')
def get_selectors():
    return jsonify({
        'hangye': all_hangye,
        'xueli': all_xueli,
        'fengqu': all_fengqu,
        'jingyan': all_jingyan,
    })


@app.route('/tree_model_predict_salary')
def tree_model_predict_salary():
    """根据学历，工作经验，求职岗位等预测出对应的薪资情况"""
    fengqu = request.args.get('fengqu')
    hangye = request.args.get('hangye')
    xueli = request.args.get('xueli')
    jingyan = request.args.get('jingyan')

    conn = sqlite3.connect(DATABASE)
    cursor = conn.cursor()

    check_sql = "SELECT * FROM job where hangye='{}' and xueli='{}'".format(hangye, xueli)
    cursor.execute(check_sql)
    jobs = cursor.fetchall()
    hotjobs = []
    job_set = set()
    for job in jobs:
        id,job_name, hangye, company, province, city, salary, jingyan, xueli, zhaopin_counts, pub_time = job
        # job_name, hangye, company, province, city, salary, jingyan, xueli, zhaopin_counts, pub_time = job

        # 地区筛选
        if '市' not in city:
            city = city + '市'
        if city not in city_fenqu_maps:
            continue
        if city_fenqu_maps[city] != fengqu:
            continue

        try:
            tmp = float(jingyan)
            jingyan = '{}年工作经验'.format(jingyan)
        except:
            pass

        # 薪资筛选
        salary, min_salary, max_salary = calc_salary(salary)
        if not salary:
            continue

        if f'{job_name}-{company}-{salary}-{pub_time}' not in job_set:
            hotjobs.append((job_name, hangye, company, province, salary, jingyan, xueli, zhaopin_counts, pub_time))
        job_set.add(f'{job_name}-{company}-{salary}-{pub_time}')

    # 选取 top 20 的
    top_salarys = hotjobs[:20]

    hangye, xueli, fengqu, jingyan = hangye_map[hangye], xueli_map[xueli], fengqu_map[fengqu], jingyan_map[jingyan]
    # 模型预测
    pred_salary = regr.predict(np.array([hangye, xueli, fengqu, jingyan]).reshape(1, -1))
    pred_salary = pred_salary[0]

    xgb_pred_salary = xgb_models.predict(np.array([hangye, xueli, fengqu, jingyan]).reshape(1, -1))
    xgb_pred_salary = xgb_pred_salary[0]
    return jsonify({'pred_salary': pred_salary, 'recommend_jobs': top_salarys, "xgb_pred_salary":str(xgb_pred_salary)})


if __name__ == "__main__":
    app.run(host='127.0.0.1')

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻