比特币机器成本

比特币机器成本第 1 部分

1.波士顿房产数量分布。 我们观察到波士顿 Airbnb 的价格普遍较高且分布更为分散。 波士顿的对数价格分布似乎略微向左移动，这意味着波士顿的租金价格水平较高。 技术指标方面，标准差分别为57和65！

2.床位：床位数量！ 价格最重要的预测因素是什么？

3、就分散程度而言，两个城市区位分布的标准差没有太大差异。 但是，我们确实注意到了一个共同点，即两个地区的房产分布并不均匀。 物业的高密度位置对应于高租金区域。 所以，区位对价格分配的影响更大！

4.我的下一个问题是位置是否会影响两个城市的Airbnb价格，因为在繁忙的位置有更高的入住价格似乎是很自然的事情。 我用邮政编码来表示位置信息！

5. 在这个项目中，我发现了一些有趣的规律： 这个现象很符合目前两个城市月租中位数的趋势：波士顿租金更贵！

6.我采用了臭名昭著的ExtremeGradientBoosting作为框架，辅以全面的网格搜索交叉验证。 在每次迭代中，使用 5 折交叉验证评估模型以找到性能最佳的参数！

7.5. 价格最重要的预测因素是什么？

8. extra_people：客人超过房东指定人数产生的额外费用！

9.根据Tulia的相关指标比特币生产区位因素，这个价格水平处于月租金的中位数。 波士顿的平均月租金中位数约为 2,900 美元、700 美元左右。 因此，这个结果应该不足为奇。 然而，有趣的是，这两个城市的房屋销售中位数趋势相反：波士顿为 610,000 美元，波士顿为 610,000 美元。 使用销售价格与年租金比率的概念，波士顿是 53，一般的经验法则是，如果该比率为 16 比 20，则买房有风险比特币生产区位因素，如果高于 21，则租房比买房好得多. 所以波士顿似乎是一个更有前途的买房地点！

10.作者：肖恩·金。 从重要特征我们知道，人气、地段、舒适度和房产规则对Airbnb价格的影响更大！

比特币机器成本第 2 部分

1、顾名思义，XGBoost在集成算法技术中采用了梯度提升的方法。 毕竟，有些人仍然纠结于术语的含义。 下面从不太技术化的角度简单解释一下我是如何理解增强、集成算法和梯度增强的。 Ensemble 是多种学习算法的集合。 集成算法的直接动机是很难相信单个决策树模型，因为它很好地预测了某个问题，但对其他问题的预测很差。 因此，集成检验作为一种基于集成算法原理的衍生技术，结合了多个假设模型。 它结合了一组弱学习分类器并提高了预测准确性。 这其实和我们的经历很相似，当你在做一个团队项目的时候，你需要检查每一步都有哪些成员是团队整体进度的幕后推手。 对于这些不符合团队方向的成员，需要格外的关怀和推动。 同样，在增强模型中，我们需要在每一步找到错误的数据点，并为这些点添加权重来纠正预测！

2. 上面的列表在预测价格方面发挥重要作用似乎很自然。 首先，如果这个地方是一个繁忙的地方，比如一个旅游景点，应该会有更多的住宿需求，从而提高价格。 浴室、卧室和床的数量反映了舒适度。 没有人愿意排队上厕所或睡在沙发上。 如果您长期托管 Airbnb 房产，您就会知道市场会如何波动。 从数据科学的角度来看，你更容易预测，因为你比新房东更有可能引领市场。 最短预订天数、额外客人费用和最多客人人数由房东设定并直接计入价格计算。 所以这三个因素的排名很高，很有说服力。 最后，一年中的可用天数和评论数量反映了 Airbnb 房源的受欢迎程度。 当然，高需求会导致更高的价格！

3.这些照片会让你心动，然后不辞而别开始旅行？ 如果你的回答是肯定的，那么你就是和我一样的“旅行者”。 旅行能让人暂时忘记现实，成为旁观者，从而敬畏生活，感恩拥有的事业、朋友和家人。 旅行让你再次感受到自己，那是一种很棒的感觉！ 老实说，我最喜欢的回忆之一是在保加利亚的经历：坐在长椅上，喝着啤酒，看着行人经过。 没有人关心我做什么，也没有人说什么！

4. 波士顿的房东平均拥有更多的Airbnb房源，也有更多的“超级”房东。 因此，我们可以推断，一些超级房东可以影响一个城市的平均租金！

5. 我们开始时对一些问题的回答不明确，例如两个城市之间是否存在价格差异，价格如何根据地段位置进行分配，以及最重要的预测因素是什么。 希望这个项目能回答这些问题，让您深入了解影响 Airbnb 价格的因素。 我相信这个预测模型可以为客户提供有关旅行预算和计划的信息，并可以告知客户他们的物业定价！

6. 因此，我们可以假设租金、位置和Airbnb 价格密切相关！

7.本文以翻译形式发表，转载需注明来自公众号EAWorld！

8. minimum_nights：您需要预订的最少晚数！

9. 同一房东拥有多少家爱彼迎房源？

10.目录：。 4. 我的模型能很好地预测价格吗？

比特币机器成本第 3 部分

1. 六个。 结论。 XGBoost 是当今最流行的机器学习算法之一。 它的速度和性能、可并行化的核心算法、在许多情况下优于其他算法的方法以及各种调优参数有助于它在数据极端情况下表现出色。 在客户中迅速普及！

2. host_days：房东托管Airbnb房源的天数！

3. 波士顿。 bedrooms：卧室的数量！

4. 波士顿的房东平均拥有更多的 Airbnb 房产。 这可能意味着 Airbnb 房产的价格由少数房东决定。 但是我们还不能用这个告诉任何事情，所以让我们更深入地挖掘一下！

5、均匀还是不均匀？ 译者：白小白。

6.毕竟，大多数Airbnb房源都在城市的热点地区人满为患！

7. 2. 同一房东拥有多少Airbnb房源？

8. 本文涉及的数据集来自Kaggle的Airbnb数据。 我选择了两个城市，每个数据集中的数据分别是3818行和3585行。 我的目标很明确：“了解 Airbnb 价格”。 为此，我在脑海中提出了一些问题，并渴望与大家分享我的答案！

9. 我的模型能很好地预测价格吗？ 第三，价格分布在地段位置。

10、两个城市的房价真的有差别吗？ 原标题：一篇了解Airbnb旅行费用的文章。

比特币机器成本第 4 部分

1. 表 1：实际价格和预测价格。 对价格进行对数转换后，我们可以更清楚地看到差异！

2. 尽管如此，仍有很大的改进空间。 我欢迎任何反馈和建议。 毕竟希望在数据科学家之间形成一个共享！ 在做这个项目的过程中，我更多的是想去旅行，我想我会去。 无论你去哪里旅行，无论是在现实世界还是数字世界旅行，我都祝你好运。 一路顺风！

3. 波士顿位置分布（按邮政编码）。

4. 不知道大家会不会为钱发愁，但是对于我这个学生来说，预算一直是阻碍我出行的一个问题。 我一直在使用Airbnb，这个产品已经成为我的旅行伴侣。 与酒店或其他商业产品相比，我喜欢这个产品的原因是我可以拥有更多的自由，更重要的是我可以花更少的钱体验到家一样的感觉。 但是，通过观察不同的城市，我发现Airbnb的价格是不一样的。 这促使我进入数据科学的世界一探究竟！

5、一两个城市的价格真的有差别吗？

6. 现在，我们列出了影响价格的十个重要因素，这些因素如下： zip_has：邮政编码位置的 Airbnb 房产数量。 表征繁华地段！