發(fā)布時(shí)間：2024-10-03 02:46

　　 基于小豬平臺(tái)的微觀數(shù)據(jù),挖掘在線短租服務(wù)的決定因素。運(yùn)用python網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲得房源的有關(guān)數(shù)據(jù),對(duì)影響因子進(jìn)行Lasso變量識(shí)別和決策樹(shù)CART算法的預(yù)測(cè)。研究結(jié)果表明,訂單的接受率、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東這五個(gè)變量對(duì)房源的訂單量有顯著影響。運(yùn)用決策樹(shù)CART算法對(duì)識(shí)別后的變量進(jìn)行預(yù)測(cè),研究結(jié)果顯示,決定性影響因素模擬的訂單量預(yù)測(cè)值能夠很好的擬合真實(shí)值,進(jìn)一步證明了在線短租共享服務(wù)的決定性因素甄別的合理性。

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖1Lasso-CART決策樹(shù)模型預(yù)測(cè)值和真實(shí)值的比較

1.預(yù)測(cè)模型的建立.根據(jù)變量識(shí)別的Lasso回歸結(jié)果,選擇以上八個(gè)顯著影響因子作為決策樹(shù)預(yù)測(cè)模型的輸入變量,對(duì)短租的訂單量進(jìn)行預(yù)測(cè)。在建立Lasso-CART預(yù)測(cè)模型過(guò)程中,將房源數(shù)據(jù)的150個(gè)樣本按照7:3的比例隨機(jī)分成訓(xùn)練集和測(cè)試集。對(duì)訓(xùn)練集建立CART決策樹(shù)模型,每個(gè)訓(xùn)練樣....

圖2組合預(yù)測(cè)模型的比較

2.預(yù)測(cè)模型的檢驗(yàn).為了更好的檢驗(yàn)Lasso-CART決策樹(shù)模型的預(yù)測(cè)效果,將Lasso-CART決策樹(shù)模型和Lasso-SVM支持向量機(jī)、Lasso-線性回歸模型做比較研究。如圖2所示,Lasso-CART決策樹(shù)模型在測(cè)試樣本中預(yù)測(cè)值和真實(shí)值之間相差最小。對(duì)比表3中三種組合模型....

本文編號(hào)：4006662