| Abstract : | Αυτή η αναφορά εξετάζει μια προσέγγιση στο πρόβλημα της επιλογής περιουσιακών στοιχείων όπως ορίζεται το πλαίσιο λειτουργίας της Blueground από το πρίσμα ακίνητης περιουσίας. Το πρόβλημα μαζί με αυτό της δυναμικής τιμολόγησης είναι πολύ σημαντικό για τη σύλληψη ενός ανταγωνιστικού πλεονεκτήματα σε παρόμοιες αγορές. Πρόωρη δημιουργία μηχανής μάθησης με παλινδρόμηση με βάση συγκεκριμένες παραδοχές δεν παρήγαγε κανένα πολύτιμο πληροφορίες εάν δεν είναι μια ισχυρή ικανότητα πρόβλεψης. Είναι σημαντικό να γίνει μια ειδική διερευνητική ανάλυση δεδομένων προκειμένου να έχουμε μια καλύτερη εικόνα των δεδομένων και των χαρακτηριστικών τους μέσω στατιστικών δειγμάτων και συλλογής πληροφοριών για τη διαμόρφωση νέων μοντέλων ερμηνείας ή πρόβλεψης με μεγαλύτερη πιθανότητα. Υπάρχει ένα ορισμένο μέρος της λογοτεχνίας σε ένα ξενοδοχείο κατανομή Yang et αϊ. [31] και Yang et al. [32] με βάση το σύγχρονο μηχάνημα αλγορίθμων μάθησης και χωρικής ανάλυσης και β) στις αναλύσεις συμπεριφοράς του οι επιχειρηματίες ταξιδιώτες Mccleary et al. [19], Cobanoglu et αϊ. [11], Millar [21]. Παρόλο που υπάρχει βεβαίως μια εγκυρότητα στην προσέγγιση του προβλήματος παρομοίως, η διαφορά στην ποσότητα των πιθανών θυρίδων επιλογής καθώς και η έλλειψη των δεδομένων για τη διενέργεια ανάλυσης συμπεριφοράς, απαγορεύει αυτή τη διαδρομή για την παρούσα έκθεση. Αυτό το σώμα εργασίας εξετάζει τη βιβλιογραφία γύρω από μοντέλα ηδονικής παλινδρόμησης που ήδη απασχολούνται στην εκτίμηση της αγοράς ακινήτων, γεωγραφική σταθμισμένη παλινδρόμηση και brie y σε θεωρίες διαχείρισης χαρτοφυλακίου. Μέσα από τις υποθέσεις αυτών των μοντέλων, έχει συλληφθεί αυτό την εφαρμογή οποιουδήποτε από αυτά χωρίς προηγούμενη ανάλυση εξερευνητικών δεδομένων δύσκολα θα οδηγούσε σε νέες γενεσιουργές πολύτιμες πληροφορίες για να μην πούμε σε α συνεκτικό μοντέλο πρόβλεψης. Έτσι, χρησιμοποιούμε μια σειρά από κατάλληλα δεδομένα τεχνικές ανάλυσης τόσο γραφικών μη γραφικών όσο και στατιστικών μεθόδων αποκτήσετε μια πιο λεπτομερή εικόνα των δεδομένων μας και την κατάλληλη συσχέτιση μεταξύ αυτών αυτά στο προσαρμοσμένο πλαίσιο που λειτουργούμε.
This report examines an approach to the problem of asset selection as is defined in Blueground from a real estate prism. The problem along with that of dynamic pricing are of most importance for capturing a competitive advantage in similar markets. An premature creation of a machine learning regression based on specific assumptions did not produce any valuable information if not a robust predictive capacity. It is essential to employ a specific Exploratory Data Analysis in order to have a better view of our data and their characteristics through sample statistics and gaining information for formulating new models for interpretation or prediction with greater probability confidence. There is a certain fraction of literature in a) hotel allocation Yang et al. [31] and Yang et al. [32] based on modern machine learning algorithms and spatial analysis and b) in behavioural analytics of business travelers Mccleary et al. [19], Cobanoglu et al. [11], Millar [21]. Although there is certainly a validity in approaching the problem similarly, the difference in the quantity of possible selection slots as well as the scarcity of data to conduct a behavioural analysis prohibits this route for this report. This body of work examines the literature around hedonic regression models which are already being employed in the real estate market appraisal, geographical weighted regression and brie y in theories of portfolio management. Through the assumptions of these models, it's been captured that the application of any of them without any prior Exploratory Data Analysis would hardly lead to new generated valuable information not to say to a confident predictive model. Thus we employ a number of appropriate data analysis techniques both graphical non-graphical and statistical methods to gain a more detailed view of our data and appropriate correlation between them in the custom context we operate.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.