Μηχανική μάθηση στην πρόβλεψη της τιμής ενοικίασης Airbnb στο Άμστερνταμ
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Σερβετάς, Γεώργιος | |
| dc.date.accessioned | 2023-11-21T11:28:11Z | |
| dc.date.available | 2023-11-21T11:28:11Z | |
| dc.date.issued | 2023-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15959 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3381 | |
| dc.description.abstract | Σε αυτή τη διατριβή, διερευνάται η χρήση και σύγκριση μοντέλων μηχανικής μάθησης για την πρόβλεψη της τιμής μιας καταχώρισης Airbnb. Πιο συγκεκριμένα, συλλέχτηκε ένα σύνολο δεδομένων από καταχωρίσεις της Airbnb στο Amsterdam με πλήθος χαρακτηριστικών, όπως ο τύπος της ιδιοκτησίας, ο αριθμός των υπνοδωματίων, η γειτονιά κτλ. Στην συνέχεια εφαρμόστηκε καθαρισμός και προεπεξεργασία των δεδομένων για να τροφοδοτηθούν στα μοντέλα μηχανικής εκμάθησης. Πολλά μοντέλα μηχανικής μάθησης, συμπεριλαμβανομένου του δέντρου παλινδρόμησης, του τυχαίου δάσους και της μηχανής διανυσματικής υποστήριξης εκπαιδεύτηκαν και δοκιμάστηκαν στο σύνολο δεδομένων. Τα αποτελέσματα των διαφορετικών μοντέλων συγκρίθηκαν ως προς την ακρίβεια πρόβλεψής αξιοποιώντας ως μετρική την MSE και την R2. Τα αποτελέσματα έδειξαν ότι το μοντέλο XGBoost είχε την υψηλότερη προγνωστική ακρίβεια. Ακόμα, εξετάστηκε η σημαντικότητα των χαρακτηριστικών του συνόλου δεδομένων ως προς την συμβολή τους στην πραγματοποίηση ακριβέστερων προβλέψεων. Εδώ το σημαντικότερο χαρακτηριστικό αποδεικνύετε πως είναι το πλήθος των ατόμων που μπορούν να διαμείνουν σε ένα κατάλυμα. Συνολικά, τα αποτελέσματα αυτής της μελέτης καταδεικνύουν την αποτελεσματικότητα των μοντέλων μηχανικής εκμάθησης στην πρόβλεψη της τιμής μιας καταχώρισης Airbnb και υπογραμμίζουν τη σημασία της εξέτασης τόσο της ακρίβειας πρόβλεψης όσο και της επιρροής της από τα σημαντικότερα χαρακτηριστικά. | el |
| dc.format.extent | 61 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Μηχανική μάθηση στην πρόβλεψη της τιμής ενοικίασης Airbnb στο Άμστερνταμ | el |
| dc.title.alternative | Machine learning prediction of Amsterdam Airbnb prices | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | In this thesis, the use and comparison of machine learning models to predict the price of an Airbnb listing is explored. More specifically, a dataset was collected from Airbnb listings in Amsterdam with a number of features such as property type, number of bedrooms, neighborhood, etc. The data was then cleaned and pre-processed to feed to the machine learning models. Several machine learning models including regression trees, random forest, and support vector machine were trained and tested on the dataset. The results of the different models were compared on the prediction accuracy by using MSE and R2 as metrics. The results showed that the XGBoost model had the highest predictive accuracy. However, the importance of features in terms of their contribution to making more accurate predictions was examined. Here the most important feature is proved that is the number of people who can stay in a property. Overall, the results of this study demonstrate the effectiveness of machine learning models in predicting the price of an Airbnb listing and highlights the importance of considering both the prediction accuracy and the influence of the most important features. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πρόβλεψη | el |
| dc.date.defense | 2023-10 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα