用途：依据 DDC 方法论第 4.5 章，用历史建筑项目数据与机器学习预测项目成本，把传统专家估算转为数据驱动预测。
主要能力：数据准备（选取面积、层数、建筑类型、地点、完工年份、复杂度、材料质量等特征，处理缺失值、独热编码分类变量、按通胀调整成本）；特征工程（交互项、多项式、对数变换、分箱）；模型训练（线性回归、KNN、随机森林、梯度提升）；模型评估（MAE、RMSE、R²、MAPE、交叉验证、多模型对比）；预测流水线（输入新项目特征输出预测成本及区间）；模型保存与加载（joblib）。
使用方式：需准备含 total_cost 的历史项目 CSV，用 pandas 读取，scikit-learn 划分训练测试集并训练模型，例如 train_test_split(X, y, test_size=0.2)、LinearRegression().fit(X, y)、RandomForestRegressor(n_estimators=100)、model.predict(X_new)、cross_val_score(model, X, y, cv=5)、joblib.dump(model, 'file.pkl')。可配合 ChatGPT 生成相应代码。
适用场景：建筑项目早期成本估算、多方案比选、基于历史数据的成本区间预测。
限制：预测质量依赖历史数据数量与质量；需定期用新完工项目重训；通胀调整采用固定假设；置信区间为简单估算；资料未提供具体收费、平台与效果数据。