# AQI Prediction and Analysis Project


## 📋 目录结构

```
.
├── hw1/
│   └── data/
│       └── AQIDataset.csv    # 原始数据集
├── src/
│   ├── data_processing.py    # 数据加载、预处理与交叉验证划分
│   ├── models.py             # 模型实现 (GD, LWLR, Lasso, Ridge)
│   └── experiments.py        # 实验主程序 (训练、评估、绘图)
├── report/
│   ├── images/               # 实验生成的图表
│   └── 机器学习.md            # 详细实验报告
├── README.md                 # 项目说明文档
└── requirements.txt          # 依赖列表
```

## 🛠️ 环境要求

安装命令：
```bash
pip install pandas numpy matplotlib seaborn scikit-learn
```

## 🚀 如何运行

在项目根目录下，运行以下命令即可执行所有实验并生成图表：

```bash
python src/experiments.py
```

1.  控制台会输出各步骤的运行日志及最终的模型评估结果。
2.  生成的分析图表将保存在 `report/images/` 目录下。
3.  查阅 `report/机器学习.md` 获取详细的分析报告。

## 📊 主要结果

| 模型 | RMSE | MAE |
| :--- | :--- | :--- |
| Gradient Descent | ~32.84 | ~24.69 |
| Lasso | ~33.16 | ~24.95 |
| Ridge | ~33.11 | ~24.89 |
| **LWLR (k=2.0)** | **~30.36** | **~22.68** |

*   **最佳模型**: 局部加权线性回归 (LWLR) 在 $k=2.0$ 时表现最佳。
*   **主要影响因素**: 纬度、温度和海拔。