隨著共享經(jīng)濟的快速發(fā)展,共享住宿逐漸受到大眾喜愛。本文根據(jù)愛彼迎柏林和上海地區(qū)的共享住宿租房數(shù)據(jù),利用機器學習方法,建立共享住宿租房價格預測模型,具體的工作概述如下:(1)變量選取與數(shù)據(jù)預處理。結(jié)合以往學者的研究工作和所得數(shù)據(jù),構(gòu)建共享住宿租房價格預測的指標體系,對可讀性不強的原始數(shù)據(jù)進行數(shù)據(jù)清洗,通過數(shù)據(jù)描述分析,初步探索共享住宿租房價格的影響因素;(2)共享住宿租房價格預測模型建立。利用Lasso回歸篩選擴充后的變量,分別使用支持向量回歸、隨機森林回歸、XGBoost回歸預測共享住宿租房價格,以RMSE、MAE、MAPE三個指標對模型進行評估,結(jié)果表明Lasso-XGBoost回歸預測模型的預測效果最好,對比單一模型其各項評估指標明顯下降;(3)影響因素分析。通過分析Lasso-RF與Lasso-XGBoost預測模型的特征重要性,發(fā)現(xiàn)房屋因素和區(qū)位因素是影響柏林和上海地區(qū)共享住宿租房價格的主要因素,房東歷史對租房價格具有正面影響。本文通過分析真實的數(shù)據(jù),有效選取共享住宿租房的影響因素對其進行預測,能夠為租客和房東提供價格參考,具有一定的實際應(yīng)用意義。

【文章頁數(shù)】：46 頁

【學位級別】：碩士

【部分圖文】：

圖2-1套索回歸原理圖

暨南大學碩士學位論文8系數(shù)達到零值，故達不到縮減變量的目的。套索回歸便于解釋，同時又具有嶺回歸類似的穩(wěn)定性，因此本文使用套索回歸對各影響因素進行篩眩圖2-1套索回歸原理圖2.2支持向量回歸支持向量回歸（SupportVectorRegression,SVR）是支持向量機重要的應(yīng)用....

圖2-2支持向量回歸示意圖

暨南大學碩士學位論文8系數(shù)達到零值，故達不到縮減變量的目的。套索回歸便于解釋，同時又具有嶺回歸類似的穩(wěn)定性，因此本文使用套索回歸對各影響因素進行篩眩圖2-1套索回歸原理圖2.2支持向量回歸支持向量回歸（SupportVectorRegression,SVR）是支持向量機重要的應(yīng)用....

圖2-3決策樹結(jié)構(gòu)示意圖

暨南大學碩士學位論文10習器，通過Bagging算法形成強學習器，并在訓練過程中引入隨機屬性選擇。2.3.1CART決策樹決策樹是一種基于“if-then-else”規(guī)則的有監(jiān)督學習算法，通常由根節(jié)點、葉節(jié)點、內(nèi)部節(jié)點組成，主要用于分類和回歸。當待解決問題是回歸問題時，稱決策樹為....

圖2-4隨機森林回歸流程圖

暨南大學碩士學位論文11$(,)=j|(")≤k,%(,)=j|(")>k+=1+h!=&∈?((",;),∈+,=1,2（3）繼續(xù)對兩個子區(qū)域調(diào)用步驟(1)(2)，直至滿足停止條件；（4）將輸入空間劃分為N個區(qū)域$,%,…,@，生成決策樹：()=h+(∈+)@+4$在不影響模型....

本文編號：3991215