發(fā)布時間：2024-06-08 00:55

　　隨著共享經(jīng)濟(jì)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(jī)器學(xué)習(xí)方法,建立共享住宿租房價(jià)格預(yù)測模型,具體的工作概述如下:(1)變量選取與數(shù)據(jù)預(yù)處理。結(jié)合以往學(xué)者的研究工作和所得數(shù)據(jù),構(gòu)建共享住宿租房價(jià)格預(yù)測的指標(biāo)體系,對可讀性不強(qiáng)的原始數(shù)據(jù)進(jìn)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(jià)格的影響因素;(2)共享住宿租房價(jià)格預(yù)測模型建立。利用Lasso回歸篩選擴(kuò)充后的變量,分別使用支持向量回歸、隨機(jī)森林回歸、XGBoost回歸預(yù)測共享住宿租房價(jià)格,以RMSE、MAE、MAPE三個指標(biāo)對模型進(jìn)行評估,結(jié)果表明Lasso-XGBoost回歸預(yù)測模型的預(yù)測效果最好,對比單一模型其各項(xiàng)評估指標(biāo)明顯下降;(3)影響因素分析。通過分析Lasso-RF與Lasso-XGBoost預(yù)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(jià)格的主要因素,房東歷史對租房價(jià)格具有正面影響。本文通過分析真實(shí)的數(shù)據(jù),有效選取共享住宿租房的影響因素對其進(jìn)行預(yù)測,能夠?yàn)樽饪秃头繓|提供價(jià)格參考,具有一定的實(shí)際應(yīng)用意義。

【文章頁數(shù)】：46 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1套索回歸原理圖

暨南大學(xué)碩士學(xué)位論文8系數(shù)達(dá)到零值，故達(dá)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(jìn)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(jī)重要的應(yīng)用....

圖2-2支持向量回歸示意圖

暨南大學(xué)碩士學(xué)位論文8系數(shù)達(dá)到零值，故達(dá)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(jìn)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(jī)重要的應(yīng)用....

圖2-3決策樹結(jié)構(gòu)示意圖

暨南大學(xué)碩士學(xué)位論文10習(xí)器，通過Bagging算法形成強(qiáng)學(xué)習(xí)器，并在訓(xùn)練過程中引入隨機(jī)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(xué)習(xí)算法，通常由根節(jié)點(diǎn)、葉節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)組成，主要用于分類和回歸。當(dāng)待解決問題是回歸問題時，稱決策樹為....

圖2-4隨機(jī)森林回歸流程圖

暨南大學(xué)碩士學(xué)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