数据分析
微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。
案例介绍
Airbnb 短租数据分析
开发工具:Python3 所用模块:Pandas、Numpy、Matplotlib、Sklearn 项目目标: 对多条包含房屋以及住户具体信息的数据进行分析，得出房价预测的方式 具体内容: 1.导入数据，查看表内的详细信息，解决中文显示问题，处理缺失值和异常值
2.数据理解和清洗:分析数据的每个特征代表的含义，缺失值处理，文本处理成数字 3.数据探索性分析:出租房间数目、出租人数、卧室占比对房价的影响 4.将数据进行划分三个特征不同的训练集和测试集，比例为 8:2
5.进行三次建模，用 R2 对回归质量进行评估，所用模型为 SVM，随机森林，AdaBoost 回归
项目结果:三次评估结果中随机森林表现最好，判断满意的正确率为 0.47 训练集:1.约为 0.95 2.约为 0.97 3.约为 1.0 测试集:1.约为 0.60 2.约为 0.81 3.约为 1.0
项目收获:强化对 SVM 模型、随机森林模型、AdaBoost 模型、交叉验证、网格搜索和模型调参的运用
开发工具:Python3 所用模块:Pandas、Numpy、Matplotlib、Sklearn 项目目标: 对多条包含房屋以及住户具体信息的数据进行分析，得出房价预测的方式 具体内容: 1.导入数据，查看表内的详细信息，解决中文显示问题，处理缺失值和异常值
2.数据理解和清洗:分析数据的每个特征代表的含义，缺失值处理，文本处理成数字 3.数据探索性分析:出租房间数目、出租人数、卧室占比对房价的影响 4.将数据进行划分三个特征不同的训练集和测试集，比例为 8:2
5.进行三次建模，用 R2 对回归质量进行评估，所用模型为 SVM，随机森林，AdaBoost 回归
项目结果:三次评估结果中随机森林表现最好，判断满意的正确率为 0.47 训练集:1.约为 0.95 2.约为 0.97 3.约为 1.0 测试集:1.约为 0.60 2.约为 0.81 3.约为 1.0
项目收获:强化对 SVM 模型、随机森林模型、AdaBoost 模型、交叉验证、网格搜索和模型调参的运用
数据分析
联系该工程师
微信扫码，建群沟通
案例介绍
Airbnb 短租数据分析
开发工具:Python3 所用模块:Pandas、Numpy、Matplotlib、Sklearn 项目目标: 对多条包含房屋以及住户具体信息的数据进行分析，得出房价预测的方式 具体内容: 1.导入数据，查看表内的详细信息，解决中文显示问题，处理缺失值和异常值
2.数据理解和清洗:分析数据的每个特征代表的含义，缺失值处理，文本处理成数字 3.数据探索性分析:出租房间数目、出租人数、卧室占比对房价的影响 4.将数据进行划分三个特征不同的训练集和测试集，比例为 8:2
5.进行三次建模，用 R2 对回归质量进行评估，所用模型为 SVM，随机森林，AdaBoost 回归
项目结果:三次评估结果中随机森林表现最好，判断满意的正确率为 0.47 训练集:1.约为 0.95 2.约为 0.97 3.约为 1.0 测试集:1.约为 0.60 2.约为 0.81 3.约为 1.0
项目收获:强化对 SVM 模型、随机森林模型、AdaBoost 模型、交叉验证、网格搜索和模型调参的运用
案例图片
1小时精推人才
需求方专属客服，免费梳理匹配
扫码加微信 · 客服人工对接
