基于机器学习预测Airbnb的城市旅行成本

本文为翻译发表，转载需要注明来自公众号EAWorld。

作者：Sean Kim

译者：白小白

原题：一文了解Airbnb的旅行成本

原文：http://t.cn/E2FvawU

全文3538字，阅读约需要9分钟

目录：

1、两个城市的价格真的有差别吗？

2、同一房东拥有多少Airbnb房产？

3、价格在地段位置分布上是均匀的还是不均匀的？

4、我的模型能很好地预测价格吗？

5、价格最重要的预测因素是什么？

6、结语

本文基于西雅图和波士顿的Airbnb数据集。

西雅图

波士顿

这些照片会令你心动，既而开始一场说走就走的旅行么？如果你的回答是肯定的，你就是像我一样的“旅友”。旅行让人短暂地忘却现实，成为一个观察者，从而敬畏生活，感激你所拥有的事业、朋友和家人。旅行让你再次身心合一，那感觉实在太棒了！老实说，我最喜欢的记忆之一是在保加利亚的一段经历：坐在长凳上，喝着啤酒，看着路过的人们。没人管我做什么，也没人对此说三道四。

不知道你是否会为钱而烦恼，但对于作为学生的我来说，预算一直是阻碍我出行的一个顾虑。我已经使用Airbnb很长一段时间了，这个产品已经成为我的旅行伙伴，相比酒店或者其他的商业产品，我喜爱这个产品的原因在于我可以有更多的自由，更重要的是，我可以花更少的钱体会到家一样的感觉。然而，通过对不同城市的观察，我发现Airbnb的价格不同。这促使我进入数据科学的世界以一探究竟。

本文所涉及的数据集来自Kaggle的Airbnb数据，我选定了两个城市，西雅图和波士顿，每个数据集的数据分别是3818行和3585行。我的目标很明确：“了解Airbnb价格”。为此，我在脑海中构思了一些问题，并很想与大家分享我的答案。

一、两个城市的价格真的有差别吗？

答案是肯定的，价格有区别的。让我们看看我是如何得到这个答案的。下图的价格单位是1000美元，由于存在一些价格奇高的离散数据点，导致很难区分这两个城市之间的区别。

图1：西雅图和波士顿的价格分布

对价格进行对数转换后，我们可以更清楚地看出区别。

图2：西雅图和波士顿的对数价格分布

我们观察到波士顿Airbnb的价格普遍较高，而且分布更加离散。西雅图的对数价格分布更加对称，而波士顿的对数价格分布似乎略有向左的偏移，这意味着波士顿的租金价格形成了较高的水平。技术指标上，西雅图和波士顿的对数价格均值分别为4.68和4.94，标准差分别为0.57和0.65。

根据Tulia的相关指标，这个价格水平处于每月租金的中位数。波士顿平均每月租金中值约为2，900美元，西雅图则为2，700美元左右。因此，这一结果不应令人感到意外。然而，有趣的是两个城市的房产销售中值呈现相反的趋势：西雅图的房地产平均售价为690，000美元，波士顿为610，000美元。采用销售价格与年租金比率的概念，波士顿为17.53，西雅图为21.30。一般的经验法则是，如果比例是16比20，那么买一套房子是有风险的，如果是21以上的话，租房要比买好得多。因此，波士顿似乎是一个更有希望买房子的地方。

二、同一房东拥有多少Airbnb房产？

因为我确认了价格的差别，所以我想找出更多的原因。我首先感兴趣的是几个“超级”房东是否左右了市场价格。是不是这样呢？

图3：房东拥有的平均房产数量

波士顿的房东平均拥有更多的Airbnb房产。这可能意味着Airbnb房产的价格由更少数量的房东决定。但是我们还不能用这个来说明任何事情，所以让我们深入挖掘一下。

图4：西雅图房产数量的分布

图5：波士顿房产数量的分布

从个人房产数量分布来看，我们可以确认波士顿有更多的“超级”房东。因此，我们可以假设那些“超级”房东在波士顿给Airbnb设置了更高的价格。但我们不能确定他们是否真的这么做了。有了这个预测模型，我就可以知道这个预测工具处于什么水平。

三、价格在地段位置分布上

是均匀的还是不均匀的？

我的下一个问题是，地段位置是否会影响Airbnb在两个城市的价格，因为繁忙的位置有更高的入住价格似乎是很自然的事。我使用邮政编码来代表位置信息。

图6：按邮政编码分列的西雅图位置分布

图7：按邮政编码分列的波士顿位置分布

就分散程度而言，两个城市的区位分布在标准差上没有很大的差异。然而，我们确实注意到一个共性，即两地的房产分布并不均匀。当我们将分布与来自Trulia的西雅图及波士顿租金地图进行比较时，房产的高密度的地点与高租金地区相对应。因此，位置对价格分配有更大的影响。

图8.西雅图和波士顿租金热点图

毕竟，大多数Airbnb酒店在城市的热点地区人满为患。

四、我的模型能很好地预测价格吗？

尽管没有什么是完美的，至少在数据科学世界是这样的，然而，我仍旧对我的预测模型的表现感到非常高兴。

表1：真实价格和预测价格

我采用了臭名昭著的Extreme Gradient Boosting（即XGBoost）作为框架，辅以全面的网格搜索交叉验证（grid search cross validation）。每次迭代时，用5倍交叉验证对模型进行评价，找出性能最佳的参数。

与交叉验证的RMSE(均方根误差)相比，测试RMSE减少了，结果显示每1，000美元约为78.0201，这是很令人乐观的数据，意味着这个模型在实际情况下比在测试中表现得更好。在表1中，预测价格与实际价格相差不远。(当然，这一模型并不完美，仍旧需要改进)

顾名思义，XGBoost在集成算法（Ensemble）技术中使用梯度增强（Gradient Boosting）方法。毕竟有一些人还纠结在术语的含义上，以下是我简单的从不那么技术化的角度，阐述一下我如何理解增强，集成算法，梯度增强。

• Ensemble（集成算法）是多个学习算法的集合。集成算法产生的直接动因是因为很难信任单独某一种决策树模型，因为它虽然能很好地预测特定的问题，但对其他问题的预测却很差。因此，集合测试将多个假设模型（弱学习分类器)结合起来，形成一个更好、更强的学习分类器，给出更稳定的预测因子。就像是政策并不由某个国会议员决定，而是由435名国会议员为了一个更好的结果而共同决定。
• Boosting（增强）是一种基于集成算法原理产生的衍生技术。它结合了一组弱学习分类器，提高了预测精度。这其实和我们的经历很相似，当您在团队项目中工作时，您需要检查哪些成员在每一步中都落后于团队的整体进度。对于这些与团队走向不一致的成员，需要额外的照顾和推动。同样，在增强模型中，我们需要发现每一步骤预测错误的数据点，并这些点上增加权重，从而修正预测。
• Gradient Boosting（梯度增强）是增强技术的一部分。梯度增强的目的是最大限度地减少错误预测值造成的损失。利用梯度下降方法并基于学习率更新预测，我们可以找到损失最小值。就像沿着最短的小径下山一样。梯度增强模型希望找到一种模式，使损失最小，因为它相信较少的模型会表现更好。

XGBoost是当今最流行的机器学习算法之一，它的速度和性能，可并行的核心算法，在许多情况下优于其他算法的方法，以及各种各样的调整参数，都帮助它在数据极客中迅速的普及。

五、价格最重要的预测因素是什么？

图9 影响Airbnb价格的十个重要因素

现在，我们获得了影响价格的十个重要因素的列表，这些要素如下：

• zip_has：邮政编码位置中Airbnb房产的数量。表征该位置的繁华程度。
• bathrooms：浴室数目。
• host_days：房东托管Airbnb房产的天数。
• bedrooms：卧室的数量。
• minimum_nights：你需要预定的最少的入住天数。
• extra_people：超出房东规定数量的客人产生的额外费用。
• beds：床位数。
• guests_included：Airbnb房产可以容纳的客人数量。
• availability_365：一年中可提供服务的天数。
• number_of_reviews：评论的数量。

上面的清单在预测价格方面起着重要的作用，这似乎是很自然的。首先，如果该地方是一个繁忙的地方，如旅游景点，应该有更多的住宿需求，从而提高了价格。 浴室、卧室和床的数量反映了舒适程度。没有人愿意在浴室前排队或睡在沙发上。如果您已经托管了很长一段时间的Airbnb物业，你就了解市场是如何波动的。从数据科学的角度来看，你更有预见性，因为你比一个新房东更有可能引领市场趋势。最少预订天数，额外客人费用，和最大客人人数是由主人设定的规则，并被直接考虑到价格计算中。因此，这三个因素的排名很高，这是令人信服的。最后，一年中可用的天数和评论数量反映了Airbnb房产的受欢迎程度。当然，高需求会导致更高的价格。

我们没有看到‘host_has’(一个房东拥有的房产的数量)在列表中(实际上在前20位列表中)，说明在某些情况下，我们的直觉不是最好的工具，世界需要数据科学家！(笑)

六、结语

在这个项目中，我们深入研究了西雅图和波士顿的Airbnb数据集，并发现了一些有趣的模式：

1. 波士顿比西雅图要贵得多。这一现象符合目前两个城市每月租金中位数的趋势：波士顿租房价格更高。
2. 波士顿的房东平均拥有更多的Airbnb房产，还有更多的“超级”房东。因此，我们可以暗示一些超级房东可以影响城市的平均租赁价格。
3. 高密度的地段与西雅图和波士顿的高租金地段相对应。因此，我们可以假设租金、地段位置和Airbnb价格密切相关。
4. 从重要的特性中，我们知道受欢迎程度、地理位置、舒适程度和房产规则对Airbnb价格的影响较大。

我们开始的时候对一些问题的答案尚不清晰，例如两个城市的价格是否存在差异，价格如何根据地段位置分布，以及最重要的预测因素是什么。但愿，这个项目回答了这些问题，并为您提供了影响Airbnb价格因素的洞察力。我相信这个预测模型可以为客户提供关于旅行预算和规划的信息，并能为客户的房产定价提供参考。

尽管如此，还是有很大的改进空间。我欢迎任何反馈意见和建议。说到底，希望形成数据科学家之间的共享！在做这个项目的过程中，我更有冲动想去旅行了，我想我会去的。无论你在哪里旅行，无论是环游真实世界还是数据世界，祝你旅途顺利。一路顺风。