基於機器學習預測Airbnb的城市旅行成本

本文為翻譯發表，轉載需要註明來自公眾號EAWorld。

作者：Sean Kim

譯者：白小白 

原題：一文了解Airbnb的旅行成本

原文：http://t.cn/E2FvawU

我的下一個問題是，地段位置是否會影響Airbnb在兩個城市的價格，因為繁忙的位置有更高的入住價格似乎是很自然的事。我使用郵政編碼來代表位置資訊。

圖6：按郵政編碼分列的西雅圖位置分佈

圖7：按郵政編碼分列的波士頓位置分佈

就分散程度而言，兩個城市的區位分佈在標準差上沒有很大的差異。然而，我們確實注意到一個共性，即兩地的房產分佈並不均勻。當我們將分佈與來自Trulia的西雅圖及波士頓租金地圖進行比較時，房產的高密度的地點與高租金地區相對應。因此，位置對價格分配有更大的影響。

圖8.西雅圖和波士頓租金熱點圖

畢竟，大多數Airbnb酒店在城市的熱點地區人滿為患。

儘管沒有什麼是完美的，至少在資料科學世界是這樣的，然而，我仍舊對我的預測模型的表現感到非常高興。

表1：真實價格和預測價格

我採用了臭名昭著的Extreme Gradient Boosting（即XGBoost）作為框架，輔以全面的網格搜尋交叉驗證（grid search cross validation）。每次迭代時，用5倍交叉驗證對模型進行評價，找出效能最佳的引數。

與交叉驗證的RMSE(均方根誤差)相比，測試RMSE減少了，結果顯示每1，000美元約為78.0201，這是很令人樂觀的資料，意味著這個模型在實際情況下比在測試中表現得更好。在表1中，預測價格與實際價格相差不遠。(當然，這一模型並不完美，仍舊需要改進)

顧名思義，XGBoost在整合演算法（Ensemble）技術中使用梯度增強（Gradient Boosting）方法。畢竟有一些人還糾結在術語的含義上，以下是我簡單的從不那麼技術化的角度，闡述一下我如何理解增強，整合演算法，梯度增強。

• Ensemble（整合演算法）是多個學習演算法的集合。整合演算法產生的直接動因是因為很難信任單獨某一種決策樹模型，因為它雖然能很好地預測特定的問題，但對其他問題的預測卻很差。因此，集合測試將多個假設模型（弱學習分類器)結合起來，形成一個更好、更強的學習分類器，給出更穩定的預測因子。就像是政策並不由某個國會議員決定，而是由435名國會議員為了一個更好的結果而共同決定。

• Boosting（增強）是一種基於整合演算法原理產生的衍生技術。它結合了一組弱學習分類器，提高了預測精度。這其實和我們的經歷很相似，當您在團隊專案中工作時，您需要檢查哪些成員在每一步中都落後於團隊的整體進度。對於這些與團隊走向不一致的成員，需要額外的照顧和推動。同樣，在增強模型中，我們需要發現每一步驟預測錯誤的資料點，並這些點上增加權重，從而修正預測。

• Gradient Boosting（梯度增強）是增強技術的一部分。梯度增強的目的是最大限度地減少錯誤預測值造成的損失。利用梯度下降方法並基於學習率更新預測，我們可以找到損失最小值。就像沿著最短的小徑下山一樣。梯度增強模型希望找到一種模式，使損失最小，因為它相信較少的模型會表現更好。

XGBoost是當今最流行的機器學習演算法之一，它的速度和效能，可並行的核心演算法，在許多情況下優於其他演算法的方法，以及各種各樣的調整引數，都幫助它在資料極客中迅速的普及。

圖9 影響Airbnb價格的十個重要因素

現在，我們獲得了影響價格的十個重要因素的列表，這些要素如下：

• zip_has：郵政編碼位置中Airbnb房產的數量。表徵該位置的繁華程度。

• bathrooms：浴室數目。

• host_days：房東託管Airbnb房產的天數。

• bedrooms：臥室的數量。

• minimum_nights：你需要預定的最少的入住天數。

• extra_people：超出房東規定數量的客人產生的額外費用。

• beds：床位數。

• guests_included：Airbnb房產可以容納的客人數量。

• availability_365：一年中可提供服務的天數。

• number_of_reviews：評論的數量。

上面的清單在預測價格方面起著重要的作用，這似乎是很自然的。首先，如果該地方是一個繁忙的地方，如旅遊景點，應該有更多的住宿需求，從而提高了價格。 浴室、臥室和床的數量反映了舒適程度。沒有人願意在浴室前排隊或睡在沙發上。如果您已經託管了很長一段時間的Airbnb物業，你就瞭解市場是如何波動的。從資料科學的角度來看，你更有預見性，因為你比一個新房東更有可能引領市場趨勢。最少預訂天數，額外客人費用，和最大客人人數是由主人設定的規則，並被直接考慮到價格計算中。因此，這三個因素的排名很高，這是令人信服的。最後，一年中可用的天數和評論數量反映了Airbnb房產的受歡迎程度。當然，高需求會導致更高的價格。

我們沒有看到‘host_has’(一個房東擁有的房產的數量)在列表中(實際上在前20位列表中)，說明在某些情況下，我們的直覺不是最好的工具，世界需要資料科學家！(笑)

在這個專案中，我們深入研究了西雅圖和波士頓的Airbnb資料集，並發現了一些有趣的模式：

1. 波士頓比西雅圖要貴得多。這一現象符合目前兩個城市每月租金中位數的趨勢：波士頓租房價格更高。

2. 波士頓的房東平均擁有更多的Airbnb房產，還有更多的“超級”房東。因此，我們可以暗示一些超級房東可以影響城市的平均租賃價格。

3. 高密度的地段與西雅圖和波士頓的高租金地段相對應。因此，我們可以假設租金、地段位置和Airbnb價格密切相關。

4. 從重要的特性中，我們知道受歡迎程度、地理位置、舒適程度和房產規則對Airbnb價格的影響較大。

我們開始的時候對一些問題的答案尚不清晰，例如兩個城市的價格是否存在差異，價格如何根據地段位置分佈，以及最重要的預測因素是什麼。但願，這個專案回答了這些問題，併為您提供了影響Airbnb價格因素的洞察力。我相信這個預測模型可以為客戶提供關於旅行預算和規劃的資訊，並能為客戶的房產定價提供參考。

儘管如此，還是有很大的改進空間。我歡迎任何反饋意見和建議。說到底，希望形成資料科學家之間的共享！在做這個專案的過程中，我更有衝動想去旅行了，我想我會去的。無論你在哪裡旅行，無論是環遊真實世界還是資料世界，祝你旅途順利。一路順風。

與作者聯絡：

你可以用LinkedIn（http://t.cn/E2FGNmA）與作者聯絡。

關於EAWorld：微服務，DevOps，資料治理，移動架構原創技術分享，長按二維碼關注

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31562043/viewspace-2221748/，如需轉載，請註明出處，否則將追究法律責任。