== 自述文件 airbnb 刮板 - 仅示例

波士顿 Airbnb 公开数据是共享民宿网站Airbnb的开放数据，包括在波士顿地区的民宿列表、不同时间的价格、用户评分及评论等。

美国著名共享民宿网站 Airbnb 开放的民宿信息和住客评价数据，包括民宿的位置、房间、配置、价格、住客的评分和自然语言评论等。目前Airbnb开放数据的城市如下表所示。 城市名称 省份和地区 所在国家 Amsterdam North Holland The Netherlands Antwerp Flemish Region Belgium Asheville North Carolina United States Athens Attica Greece Austin Texas United States Barcelona Catalonia Spain Berlin Berlin Germany Boston Massachusetts United States Brussels Brussels Belgium Chicago Illinois United States Copenhagen Hovedstaden Denmark Denver Colorado United States Dublin Leinster Ireland Edinburgh Scotland United Kingdom Geneva Geneva Switzerland Hong Kong Hong Kong China London England United Kingdom Los Angeles California United States Madrid Comunidad de Madrid Spain Mallorca Islas Baleares Spain Manchester England United Kingdom Melbourne Victoria Australia Montreal Quebec Canada Nashville Tennessee United States New Orleans Louisiana United States New York City New York United States Northern Rivers New South Wales Australia Oakland California United States Paris France France Portland Oregon United States Quebec City Quebec Canada San Diego California United States San Francisco California United States Santa Cruz County California United States Seattle Washington United States Sydney New South Wales Australia Toronto Ontario Canada Trentino Trentino-Alto Adige_Südtirol Italy Vancouver British Columbia Canada Venice Veneto Italy Victoria British Columbia Canada Vienna Vienna Austria Washington D.C.District of Columbia United States

Airbnb 新用户的民宿预定预测，kaggle比赛完整数据集，主要包含6个csv文件，请有需要的小伙伴下载

airbnb-nyc回归分析 在此存储库中，我分析了纽约市的airbnb列表，并使用了一个简单的线性回归模型来预测租金。 您可以检出kaggle链接，以防笔记本文件无法在GitHub上加载。

纽约市Airbnb数据的回归分析 概述 对于这个项目，我决定使用Kaggle.com的NYC Airbnb数据集。 Airbnb是Airbnb的缩写，最初的名称是AirBedandBreakfast.com，如今它已成为一种被全世界使用和认可的服务。 对于各个年龄段的旅客，Airbnb都在变得越来越受欢迎。 家庭，商务专业人士和单身旅行者都开始使用Airbnb作为传统酒店客房的替代选择。 价格的灵活性，便利设施的选择以及遍布各地的位置使它们成为旅行者的理想选择。数以百万计的列表产生了大量数据，可以分析这些数据并用于业务决策，了解客户和提供商的行为以及绩效。平台。 目标 挑选房屋的想法似乎令人生畏，但是通过仔细的分析和数据，确定邻居价格的范围可以缩小，从而使决策变得更加容易。 该项目的目的是分析不同特征并建立ML模型以预测价格。 关于数据集 Datset是有关纽约市行政区中不同房东的Airb

纽约市Airbnb开放数据-实践 内容来源：Aurelien Geron（O'Reilly）的Scikit-Learn，Keras和TensorFlow的动手机器学习，第二版。 版权所有2019 Kiwisoft SAS，978-1-492-03264-9 机器学习实践。 在O'REILLY的动手机器学习的第2章项目之后实现该项目。 目标：根据所有其他指标，预测Airbnb帖子的单价。 预测纽约市Airbnb的租金方法： 监督学习任务，因为给定了带标签的转换示例（每个示例都带有预期的输出，即单位价格）。 回归任务，因为我们需要预测值。 多重回归问题，因为系统将使用多个特征进行预测。 单变量回归问题，因为我们仅尝试预测每个单位的单个值。 没有连续的数据流，不需要适应变化的数据，并且数据足够小以适合存储：批量学习 可能的性能指标：均方根误差（RMSE）和绝对绝对误差（MAE）。

2020年Airbnb爱彼迎中国房东社区报告.pdf

纽约市-Airbnb-数据产品 纽约市Airbnb数据的数据分析，可视化和预测 描述 该项目分析了2019年从纽约市地区收集的Airbnb数据，该数据的列表范围从私人住宅到房间，邻里，邻里群体，价格等。该项目的目标是创建一个可以预测的模型未来的AirBnb价格以及城市中哪些街区最有利可图。 数据源 该公开数据集是Airbnb的一部分，其原始资源可在此上。 它包含定性和定量数据的混合，有48,895个条目和16列。 我们的模型将包括34,218个培训条目和14,666个测试目标标签PRICE的条目。 结果 模型 RSME平均值 RSME平均10倍 线性回归 0.495 0.498 随机森林回归 0.493 0.509 XgBoost 0.473 N 套索回归 0.693 0.698 模型 准确性 随机森林分类器 83.4％ 逻辑回归 84.5％ （整体最佳） 决策树 8

04纽约Airbnb数据挖掘-new-york-city-airbnb-open-data.zip