發(fā)布時(shí)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(ài)。本文根據(jù)愛(ài)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?jī)r(jià)格預(yù)測(cè)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?jī)r(jià)格預(yù)測(cè)的指標(biāo)體系,對(duì)可讀性不強(qiáng)的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗,通過(guò)數(shù)據(jù)描述分析,初步探索共享住宿租房?jī)r(jià)格的影響因素;(2)共享住宿租房?jī)r(jià)格預(yù)測(cè)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(cè)共享住宿租房?jī)r(jià)格,以RMSE、MAE、MAPE三個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)估,結(jié)果表明Lasso-XGBoost回歸預(yù)測(cè)模型的預(yù)測(cè)效果最好,對(duì)比單一模型其各項(xiàng)評(píng)估指標(biāo)明顯下降;(3)影響因素分析。通過(guò)分析Lasso-RF與Lasso-XGBoost預(yù)測(cè)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?jī)r(jià)格的主要因素,房東歷史對(duì)租房?jī)r(jià)格具有正面影響。本文通過(guò)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(duì)其進(jìn)行預(yù)測(cè),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(yè)數(shù)】：46 頁(yè)

【學(xué)位級(jí)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?zhuān)�同時(shí)又具有嶺回歸類(lèi)似的穩(wěn)定性，因此本文使用套索回歸對(duì)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?zhuān)�同時(shí)又具有嶺回歸類(lèi)似的穩(wěn)定性，因此本文使用套索回歸對(duì)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(shù)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(guò)Bagging算法形成強(qiáng)學(xué)習(xí)器，并在訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇。2.3.1CART決策樹(shù)決策樹(shù)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(lèi)和回歸。當(dāng)待解決問(wèn)題是回歸問(wèn)題時(shí)，稱(chēng)決策樹(shù)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$(,)=j|(")≤k,%(,)=j|(")>k+=1+h!=&∈?((",;),∈+,=1,2（3）繼續(xù)對(duì)兩個(gè)子區(qū)域調(diào)用步驟(1)(2)，直至滿足停止條件；（4）將輸入空間劃分為N個(gè)區(qū)域$,%,…,@，生成決策樹(shù)：()=h+(∈+)@+4$在不影響模型....

本文編號(hào)：3991215