.gitignore

@@ -1,4 +1,26 @@
+# ===== 环境变量（绝对不能提交！）=====
+.env
+
+# ===== Python 虚拟环境 =====
 .venv/
+venv/
 __pycache__/
 *.pyc
-results/
+*.pyo
+.pytest_cache/
+
+# ===== IDE 配置 =====
+.vscode/
+.idea/
+*.swp
+
+# ===== macOS 系统文件 =====
+.DS_Store
+
+# ===== Jupyter =====
+.ipynb_checkpoints/
+
+# ===== 超大文件（超过 10MB 需手动添加）=====
+# 如果你的数据或模型文件超过 10MB，请在下面添加：
+# data/large_dataset.csv
+# models/large_model.pkl

.python-version

@@ -0,0 +1 @@
+3.13

app.py

@@ -0,0 +1,80 @@
+# app.py - 电信客户流失预测Streamlit交互页面
+import streamlit as st
+import joblib
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+# 基础设置（中文显示）
+plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
+plt.rcParams['axes.unicode_minus'] = False
+
+# 缓存模型
+@st.cache_resource
+def load_trained_model():
+    try:
+        model = joblib.load('telco_churn_model.pkl')
+        return model
+    except FileNotFoundError:
+        st.error("❌ 未找到模型文件！请先运行 src/model.py 训练模型")
+        return None
+
+# 页面标题
+st.set_page_config(page_title="电信客户流失预测系统", page_icon="📱", layout="wide")
+st.title("📱 电信客户流失预测系统")
+st.divider()
+
+# 1. 客户信息输入
+st.subheader("1. 输入客户信息")
+with st.form("customer_form"):
+    col1, col2 = st.columns(2)
+    with col1:
+        tenure = st.number_input("在网时长（月）", min_value=0, max_value=72, value=12)
+        monthly_charges = st.number_input("月消费金额", min_value=18.0, max_value=120.0, value=69.99)
+        total_charges = st.number_input("总消费金额", min_value=18.0, max_value=8684.0, value=839.88)
+    with col2:
+        contract = st.selectbox("合约类型", ["Month-to-month（月付）", "One year（1年）", "Two year（2年）"])
+        internet_service = st.selectbox("网络服务", ["DSL（宽带）", "Fiber optic（光纤）", "No（无）"])
+        payment_method = st.selectbox("支付方式", ["Electronic check（电子支票）", "Mailed check（邮寄支票）", "Bank transfer（银行转账）", "Credit card（信用卡）"])
+    submit_btn = st.form_submit_button("🚀 预测流失风险")
+
+# 2. 预测结果
+if submit_btn:
+    model = load_trained_model()
+    if model:
+        # 转换输入为模型可识别格式
+        contract_map = {"Month-to-month（月付）": "Month-to-month", "One year（1年）": "One year", "Two year（2年）": "Two year"}
+        internet_map = {"DSL（宽带）": "DSL", "Fiber optic（光纤）": "Fiber optic", "No（无）": "No"}
+        payment_map = {"Electronic check（电子支票）": "Electronic check", "Mailed check（邮寄支票）": "Mailed check", "Bank transfer（银行转账）": "Bank transfer (automatic)", "Credit card（信用卡）": "Credit card (automatic)"}
+        
+        # 构造数据
+        customer_data = pd.DataFrame({
+            'customerID': ['TEST001'], 'tenure': [tenure], 'MonthlyCharges': [monthly_charges], 'TotalCharges': [total_charges],
+            'Contract': [contract_map[contract]], 'InternetService': [internet_map[internet_service]], 'PaymentMethod': [payment_map[payment_method]],
+            'OnlineSecurity': ['No'], 'TechSupport': ['No'], 'PaperlessBilling': ['Yes'], 'gender': ['Female'],
+            'SeniorCitizen': [0], 'Partner': ['Yes'], 'Dependents': ['No'], 'PhoneService': ['Yes'],
+            'MultipleLines': ['No'], 'OnlineBackup': ['Yes'], 'DeviceProtection': ['No'], 'StreamingTV': ['Yes'], 'StreamingMovies': ['No']
+        })
+        # 添加特征组合
+        customer_data['tenure_monthly'] = customer_data['tenure'] * customer_data['MonthlyCharges']
+        customer_data['tenure_ratio'] = customer_data['tenure'] / (customer_data['TotalCharges'] + 1)
+        customer_data['monthly_total_ratio'] = customer_data['MonthlyCharges'] / (customer_data['TotalCharges'] + 1)
+        
+        # 预测
+        churn_pred = model.predict(customer_data)[0]
+        churn_prob = model.predict_proba(customer_data)[:, 1][0]
+        
+        # 展示结果
+        st.divider()
+        st.subheader("2. 流失风险预测结果")
+        if churn_pred == 1:
+            st.error(f"⚠️ 流失风险高（概率：{churn_prob:.2%}）")
+        else:
+            st.success(f"✅ 流失风险低（概率：{churn_prob:.2%}）")
+
+# 3. 分析与建议
+st.divider()
+st.subheader("3. 流失影响因素")
+st.image("特征重要性TOP10.png", caption="影响流失的TOP10因素")
+st.subheader("4. 留存建议")
+st.markdown("- 短在网时长+高消费：提供长期合约折扣\n- 光纤用户：优化网络稳定性\n- 电子支票支付：自动续费优惠")

main.py

@@ -0,0 +1,6 @@
+def main():
+    print("Hello from telco-churn-analysis!")
+
+
+if __name__ == "__main__":
+    main()

predict.py

@@ -0,0 +1,68 @@
+# predict.py - 客户流失预测接口
+import joblib
+import pandas as pd
+
+# 加载保存好的模型（关键：路径要和save_model.py生成的pkl文件一致）
+try:
+    model = joblib.load('telco_churn_model.pkl')
+    print("✅ 模型加载成功！")
+except FileNotFoundError:
+    print("❌ 未找到模型文件，请先运行save_model.py生成telco_churn_model.pkl")
+    exit()
+
+def predict_churn(customer_data):
+    """
+    预测客户流失概率
+    参数：customer_data - DataFrame，包含客户的所有特征
+    返回：预测结果（是否流失+流失概率）
+    """
+    # 新增特征组合（必须和训练时一致，否则预测不准）
+    customer_data['tenure_monthly'] = customer_data['tenure'] * customer_data['MonthlyCharges']
+    customer_data['tenure_ratio'] = customer_data['tenure'] / (customer_data['TotalCharges'] + 1)
+    customer_data['monthly_total_ratio'] = customer_data['MonthlyCharges'] / (customer_data['TotalCharges'] + 1)
+    
+    # 执行预测
+    churn_pred = model.predict(customer_data)  # 0=未流失，1=流失
+    churn_prob = model.predict_proba(customer_data)[:, 1]  # 流失概率
+    
+    # 整理结果
+    result = pd.DataFrame({
+        '客户ID': customer_data['customerID'],
+        '是否流失（0=否，1=是）': churn_pred,
+        '流失概率': churn_prob.round(3)  # 保留3位小数
+    })
+    return result
+
+# 示例：预测1个测试客户的流失概率
+if __name__ == "__main__":
+    # 构造测试客户数据（特征和原数据集一致）
+    test_customer = pd.DataFrame({
+        'customerID': ['TEST001'],  # 客户ID
+        'tenure': [12],  # 在网时长（月）
+        'MonthlyCharges': [69.99],  # 月消费
+        'TotalCharges': [839.88],  # 总消费
+        'Contract': ['Month-to-month'],  # 合同类型（月付）
+        'InternetService': ['Fiber optic'],  # 光纤上网
+        'PaymentMethod': ['Electronic check'],  # 电子支票支付
+        'OnlineSecurity': ['No'],  # 无网络安全服务
+        'TechSupport': ['No'],  # 无技术支持
+        'PaperlessBilling': ['Yes'],  # 无纸化账单
+        # 以下是其他必填特征（按原数据集补充）
+        'gender': ['Female'],
+        'SeniorCitizen': [0],
+        'Partner': ['Yes'],
+        'Dependents': ['No'],
+        'PhoneService': ['Yes'],
+        'MultipleLines': ['No'],
+        'OnlineBackup': ['Yes'],
+        'DeviceProtection': ['No'],
+        'StreamingTV': ['Yes'],
+        'StreamingMovies': ['No']
+    })
+    
+    # 调用预测函数
+    result = predict_churn(test_customer)
+    
+    # 打印结果
+    print("\n📊 客户流失预测结果：")
+    print(result)

pyproject.toml

@@ -0,0 +1,15 @@
+[project]
+name = "telco-churn-analysis"
+version = "0.1.0"
+description = "Add your description here"
+readme = "README.md"
+requires-python = ">=3.13"
+dependencies = [
+    "joblib>=1.5.3",
+    "matplotlib>=3.10.8",
+    "pandas>=2.3.3",
+    "polars>=1.37.0",
+    "scikit-learn>=1.8.0",
+    "seaborn>=0.13.2",
+    "streamlit>=1.52.2",
+]

run.bat

@@ -0,0 +1,8 @@
+@echo off
+echo 🚀 正在同步项目依赖...
+uv sync
+
+echo 🚀 启动电信客户流失预测系统...
+streamlit run app.py
+
+pause

save_model.py

@@ -0,0 +1,31 @@
+# save_model.py
+import joblib
+from src.data import load_data, split_data
+from src.model import build_preprocessor
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.pipeline import Pipeline
+
+if __name__ == "__main__":
+    # 加载数据
+    df = load_data()
+    X_train, X_test, y_train, y_test = split_data(df)
+    preprocessor = build_preprocessor(X_train)
+    
+    # 训练调优后的随机森林模型
+    model = Pipeline(steps=[
+        ('preprocessor', preprocessor),
+        ('classifier', RandomForestClassifier(
+            n_estimators=200,
+            max_depth=15,
+            min_samples_split=8,
+            min_samples_leaf=4,
+            class_weight='balanced_subsample',
+            random_state=42,
+            n_jobs=-1
+        ))
+    ])
+    model.fit(X_train, y_train)
+    
+    # 保存模型
+    joblib.dump(model, 'telco_churn_model.pkl')
+    print("✅ 模型已保存为：telco_churn_model.pkl")

src/data.py

@@ -1,54 +1,50 @@
-"""电信客户流失数据集加载与清洗（最终可运行版）"""
+# 改用Pandas加载数据，彻底解决Polars类型冲突
-import polars as pl
+import pandas as pd
-import os  # 用于检查文件是否存在
+from sklearn.model_selection import train_test_split
 
-def load_telco_data():
+# 正确的数据集路径（前加r）
-    """加载并清洗电信流失数据集，绝对路径+完整容错"""
+file_path = r"C:\Users\s1313\Desktop\telco_churn_analysis\data\telco_churn.csv"
-    # ========== 1. 正确的绝对路径（二选一即可） ==========
-    # 方式1：双反斜杠（推荐）
-    data_path = "C:\\Users\\s1313\\Desktop\\telco_churn_analysis\\data\\WA_Fn-UseC_-Telco-Customer-Churn.csv"
-    # 方式2：原始字符串（注释掉方式1，解开下面注释也可以）
-    # data_path = r"C:\Users\s1313\Desktop\telco_churn_analysis\data\WA_Fn-UseC_-Telco-Customer-Churn.csv"
 
-    # ========== 2. 检查文件是否存在（关键） ==========
+def load_data():
-    if not os.path.exists(data_path):
+    """用Pandas加载并清洗数据，稳定无报错"""
-        print(f"\n❌ 错误：文件不存在！")
+    # 加载数据，处理TotalCharges的混合类型问题
-        print(f"👉 请检查路径是否正确：{data_path}")
+    df = pd.read_csv(
-        print(f"👉 确认文件是否在这个位置，且文件名没有写错")
+        file_path,
-        return None  # 避免程序崩溃
+        dtype={"TotalCharges": str}  # 先读为字符串
+    )
+    
+    # 清洗TotalCharges：空/空格转0，再转数值
+    df["TotalCharges"] = df["TotalCharges"].str.replace(" ", "").replace("", "0")
+    df["TotalCharges"] = pd.to_numeric(df["TotalCharges"], errors="coerce").fillna(0)
+    
+    # 基础空值填充
+    df = df.fillna(0)
+    
+    print("? 数据集加载并清洗完成！")
+    print(f"?? 数据规模：{df.shape[0]}行 × {df.shape[1]}列")
+    return df
 
-    # ========== 3. 读取并清洗数据 ==========
+def split_data(df):
-    try:
+    """分层抽样切分数据集"""
-        df = pl.read_csv(data_path)
+    # 分离特征和标签
-        
+    X = df.drop(["customerID", "Churn"], axis=1)
-        # 安全清洗TotalCharges字段
+    y = df["Churn"].map({"Yes": 1, "No": 0})
-        if df["TotalCharges"].dtype == pl.Utf8:
+    
-            df = df.with_columns(
+    # 切分数据（分层抽样，保证正负样本比例）
-                pl.col("TotalCharges")
+    X_train, X_test, y_train, y_test = train_test_split(
-                .str.replace(" ", "0")
+        X, y, test_size=0.2, random_state=42, stratify=y
-                .cast(pl.Float64, strict=False)
+    )
-                .fill_null(0.0)
+    
-                .alias("TotalCharges")
+    print(f"\n?? 数据集切分完成：")
-            )
+    print(f"   - 训练集：{len(X_train)}条，流失率：{y_train.mean():.2%}")
-        else:
+    print(f"   - 测试集：{len(X_test)}条，流失率：{y_test.mean():.2%}")
-            df = df.with_columns(
+    return X_train, X_test, y_train, y_test
-                pl.col("TotalCharges")
-                .fill_null(0.0)
-                .alias("TotalCharges")
-            )
 
-        # ========== 4. 输出成功结果 ==========
-        print("\n✅ 数据集加载并清洗完成！")
-        print(f"📊 数据规模：{df.shape[0]}行 × {df.shape[1]}列")
-        print(f"📈 TotalCharges字段类型：{df['TotalCharges'].dtype}")
-        print("🔍 前2行预览：")
-        print(df.head(2))
-        return df
-
-    except Exception as e:
-        print(f"\n❌ 数据处理出错：{type(e).__name__} → {e}")
-        return None
-
-# 测试入口
 if __name__ == "__main__":
-    load_telco_data()
+    try:
+        df = load_data()
+        X_train, X_test, y_train, y_test = split_data(df)
+    except Exception as e:
+        print(f"? 运行出错：{e}")
+        print(f"当前路径：{file_path}")
+        print("请检查：1. data文件夹存在 2. 数据集文件命名为telco_churn.csv")

src/model.py

@@ -0,0 +1,110 @@
+# model.py - 客户流失预测模型（随机森林优化版）
+import pandas as pd
+import numpy as np
+from sklearn.preprocessing import OneHotEncoder, StandardScaler
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import (
+    accuracy_score, classification_report,
+    roc_auc_score, confusion_matrix
+)
+from sklearn.compose import ColumnTransformer
+from sklearn.pipeline import Pipeline
+# 导入你已稳定的data.py中的函数
+from src.data import load_data, split_data
+
+def build_preprocessor(X):
+    """构建特征预处理管道：区分数值/类别特征，分别处理"""
+    # 分离数值特征和类别特征列名
+    numeric_cols = X.select_dtypes(include=['int64', 'float64']).columns.tolist()
+    categorical_cols = X.select_dtypes(include=['object']).columns.tolist()
+    
+    # 定义数值特征处理器（标准化）
+    numeric_transformer = Pipeline(steps=[
+        ('scaler', StandardScaler())
+    ])
+    
+    # 定义类别特征处理器（独热编码）
+    categorical_transformer = Pipeline(steps=[
+        ('onehot', OneHotEncoder(sparse_output=False, drop='first', handle_unknown='ignore'))
+    ])
+    
+    # 合并处理器
+    preprocessor = ColumnTransformer(
+        transformers=[
+            ('num', numeric_transformer, numeric_cols),
+            ('cat', categorical_transformer, categorical_cols)
+        ])
+    
+    return preprocessor
+
+if __name__ == "__main__":
+    # ========== 1. 加载并切分数据 ==========
+    print("📌 开始加载数据集...")
+    df = load_data()
+    X_train, X_test, y_train, y_test = split_data(df)
+    print("✅ 数据加载&切分完成")
+    
+    # ========== 2. 构建预处理+模型管道 ==========
+    print("\n📌 构建预处理管道和随机森林模型...")
+    preprocessor = build_preprocessor(X_train)
+    
+    # 随机森林模型（针对样本不平衡优化）
+    model = Pipeline(steps=[
+        ('preprocessor', preprocessor),
+        ('classifier', RandomForestClassifier(
+    n_estimators=200,        # 决策树数量从100→200（提升模型稳定性）
+    max_depth=15,            # 树深度从10→15（捕捉更多特征规律）
+    min_samples_split=8,     # 新增：分裂节点最少8个样本（减少过拟合）
+    min_samples_leaf=4,      # 新增：叶子节点最少4个样本（过滤噪声）
+    class_weight='balanced_subsample', # 从balanced→balanced_subsample（更精准平衡）
+    random_state=42,
+    n_jobs=-1                # 保留：多核加速
+))
+    ])
+    
+    # ========== 3. 模型训练 ==========
+    print("📌 开始训练随机森林模型...")
+    model.fit(X_train, y_train)
+    print("✅ 模型训练完成")
+    
+    # ========== 4. 模型评估 ==========
+    print("\n📊 模型评估结果：")
+    # 预测概率和类别
+    y_pred = model.predict(X_test)
+    y_pred_proba = model.predict_proba(X_test)[:, 1]
+    
+    # 核心评估指标
+    print(f"🔹 准确率(Accuracy)：{accuracy_score(y_test, y_pred):.4f}")
+    print(f"🔹 AUC值：{roc_auc_score(y_test, y_pred_proba):.4f}")
+    print("\n🔹 分类详细报告：")
+    print(classification_report(y_test, y_pred, target_names=['未流失', '流失']))
+    
+    # 混淆矩阵
+    print("\n🔹 混淆矩阵：")
+    cm = confusion_matrix(y_test, y_pred)
+    cm_df = pd.DataFrame(
+        cm, 
+        index=['实际未流失', '实际流失'],
+        columns=['预测未流失', '预测流失']
+    )
+    print(cm_df)
+    
+    # ========== 5. 特征重要性分析 ==========
+    print("\n📈 特征重要性TOP10：")
+    # 获取特征名
+    preprocessor.fit(X_train)
+    feature_names = []
+    # 数值特征名
+    feature_names.extend(preprocessor.transformers_[0][2])
+    # 类别特征编码后的名字
+    cat_features = preprocessor.named_transformers_['cat'].named_steps['onehot']
+    feature_names.extend(cat_features.get_feature_names_out(preprocessor.transformers_[1][2]))
+    
+    # 获取特征重要性
+    importances = model.named_steps['classifier'].feature_importances_
+    # 排序并输出TOP10
+    importance_df = pd.DataFrame({
+        '特征名': feature_names,
+        '重要性': importances
+    }).sort_values('重要性', ascending=False).head(10)
+    print(importance_df)

visualization.py

@@ -0,0 +1,165 @@
+# visualization.py - 客户流失预测模型可视化（直接运行即可）
+import joblib
+import matplotlib.pyplot as plt
+import seaborn as sns
+import pandas as pd
+from sklearn.metrics import confusion_matrix, roc_curve, auc
+
+# -------------------------- 基础设置（解决中文显示、图表样式）--------------------------
+plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文显示（Windows）
+# 如果是Mac/Linux，替换为：plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
+plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
+plt.style.use('seaborn-v0_8-whitegrid')  # 图表样式（清爽易读）
+
+# -------------------------- 1. 加载模型和数据（复用已有逻辑）--------------------------
+def load_model_and_data():
+    """加载训练好的模型和测试集数据"""
+    # 加载模型（确保模型文件路径正确）
+    try:
+        model = joblib.load('telco_churn_model.pkl')
+        print("✅ 模型加载成功")
+    except FileNotFoundError:
+        raise FileNotFoundError("❌ 未找到模型文件！请先运行 src/model.py 训练模型")
+    
+    # 加载并切分数据（复用 src/data.py 的逻辑，避免重复代码）
+    try:
+        from src.data import load_data, split_data
+        df = load_data()
+        X_train, X_test, y_train, y_test = split_data(df)
+        print("✅ 测试集数据加载成功（共1409条）")
+        return model, X_test, y_test
+    except ImportError:
+        raise ImportError("❌ 未找到 src/data.py！请确保项目目录结构正确")
+
+# -------------------------- 2. 特征重要性TOP10可视化（核心业务洞察）--------------------------
+def plot_feature_importance(model):
+    """绘制特征重要性TOP10图表"""
+    # 提取预处理后的特征名和重要性得分
+    preprocessor = model.named_steps['preprocessor']
+    feature_names = preprocessor.get_feature_names_out()
+    feature_importance = model.named_steps['classifier'].feature_importances_
+    
+    # 整理数据（排序+取TOP10，简化特征名方便显示）
+    feature_df = pd.DataFrame({
+        '特征名': feature_names,
+        '重要性': feature_importance
+    }).sort_values('重要性', ascending=False).head(10)
+    
+    # 简化特征名（原特征名太长，图表显示优化）
+    feature_name_map = {
+        'tenure': '客户在网时长',
+        'TotalCharges': '总消费金额',
+        'MonthlyCharges': '月消费金额',
+        'Contract_Two year': '合约期-2年',
+        'InternetService_Fiber optic': '网络类型-光纤',
+        'PaymentMethod_Electronic check': '支付方式-电子支票',
+        'Contract_One year': '合约期-1年',
+        'OnlineSecurity_Yes': '在线安全服务-有',
+        'TechSupport_Yes': '技术支持-有',
+        'PaperlessBilling_Yes': '电子账单-是'
+    }
+    feature_df['简化特征名'] = feature_df['特征名'].map(lambda x: feature_name_map.get(x, x[:15]))  # 兜底避免报错
+    
+    # 绘制水平条形图（更易读）
+    fig, ax = plt.subplots(figsize=(10, 6))
+    sns.barplot(
+        x='重要性', y='简化特征名', data=feature_df,
+        palette='viridis_r', ax=ax  # 颜色渐变（反向，重要性越高颜色越深）
+    )
+    
+    # 图表美化（标题、标签、数值标注）
+    ax.set_title('客户流失预测 - 特征重要性TOP10', fontsize=16, fontweight='bold', pad=20)
+    ax.set_xlabel('重要性得分', fontsize=12)
+    ax.set_ylabel('特征', fontsize=12)
+    ax.tick_params(axis='y', labelsize=10)
+    
+    # 在条形图上添加数值（直观展示得分）
+    for i, v in enumerate(feature_df['重要性']):
+        ax.text(v + 0.002, i, f'{v:.3f}', va='center', fontsize=9)
+    
+    # 保存图表（高清，可直接插入PPT）
+    plt.tight_layout()
+    plt.savefig('特征重要性TOP10.png', dpi=300, bbox_inches='tight')
+    print("✅ 特征重要性图表已保存为：特征重要性TOP10.png")
+
+# -------------------------- 3. 混淆矩阵可视化（模型效果直观展示）--------------------------
+def plot_confusion_matrix(model, X_test, y_test):
+    """绘制混淆矩阵（展示模型预测准确率、漏判/误判情况）"""
+    # 生成预测结果
+    y_pred = model.predict(X_test)
+    
+    # 计算混淆矩阵
+    cm = confusion_matrix(y_test, y_pred)
+    # 混淆矩阵标签（0=未流失，1=流失）
+    labels = ['未流失', '流失']
+    
+    # 绘制热力图
+    fig, ax = plt.subplots(figsize=(8, 6))
+    sns.heatmap(
+        cm, annot=True, fmt='d', cmap='Blues',  # fmt='d' 显示整数
+        xticklabels=labels, yticklabels=labels, ax=ax,
+        cbar_kws={'label': '客户数量'}  # 颜色条标签
+    )
+    
+    # 图表美化
+    ax.set_title('客户流失预测 - 混淆矩阵', fontsize=16, fontweight='bold', pad=20)
+    ax.set_xlabel('预测标签', fontsize=12)
+    ax.set_ylabel('真实标签', fontsize=12)
+    
+    # 添加统计信息（准确率、流失识别率）
+    total = cm.sum()
+    accuracy = (cm[0,0] + cm[1,1]) / total
+    recall_churn = cm[1,1] / (cm[1,0] + cm[1,1])  # 流失客户识别率
+    ax.text(0.5, -0.15, f'准确率：{accuracy:.3f} | 流失识别率：{recall_churn:.3f}', 
+            ha='center', transform=ax.transAxes, fontsize=11)
+    
+    # 保存图表
+    plt.tight_layout()
+    plt.savefig('混淆矩阵.png', dpi=300, bbox_inches='tight')
+    print("✅ 混淆矩阵图表已保存为：混淆矩阵.png")
+
+# -------------------------- 4. 可选：ROC曲线可视化（进阶模型评估）--------------------------
+def plot_roc_curve(model, X_test, y_test):
+    """绘制ROC曲线（展示模型区分能力，AUC值）"""
+    # 生成预测概率
+    y_pred_proba = model.predict_proba(X_test)[:, 1]  # 取流失（1类）的概率
+    fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
+    roc_auc = auc(fpr, tpr)
+    
+    # 绘制ROC曲线
+    fig, ax = plt.subplots(figsize=(8, 6))
+    ax.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.3f})')
+    ax.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--', label='随机猜测')
+    
+    # 图表美化
+    ax.set_xlim([0.0, 1.0])
+    ax.set_ylim([0.0, 1.05])
+    ax.set_title('客户流失预测 - ROC曲线', fontsize=16, fontweight='bold', pad=20)
+    ax.set_xlabel('假阳性率（误判为流失）', fontsize=12)
+    ax.set_ylabel('真阳性率（正确识别流失）', fontsize=12)
+    ax.legend(loc="lower right", fontsize=11)
+    ax.grid(True, alpha=0.3)
+    
+    # 保存图表
+    plt.tight_layout()
+    plt.savefig('ROC曲线.png', dpi=300, bbox_inches='tight')
+    print("✅ ROC曲线图表已保存为：ROC曲线.png")
+
+# -------------------------- 主函数（一键运行所有可视化）--------------------------
+if __name__ == "__main__":
+    print("🚀 开始生成可视化图表...")
+    try:
+        # 加载模型和数据
+        model, X_test, y_test = load_model_and_data()
+        
+        # 生成3张图表（特征重要性 + 混淆矩阵 + ROC曲线）
+        plot_feature_importance(model)
+        plot_confusion_matrix(model, X_test, y_test)
+        plot_roc_curve(model, X_test, y_test)
+        
+        print("\n🎉 所有图表生成完成！文件保存在项目根目录：")
+        print("1. 特征重要性TOP10.png（业务洞察核心）")
+        print("2. 混淆矩阵.png（模型效果直观展示）")
+        print("3. ROC曲线.png（进阶评估，AUC值）")
+    except Exception as e:
+        print(f"\n❌ 生成失败：{str(e)}")