R语言用随机森林模型的酒店收入和产量预测误差分析

在这篇文章中,我们将探讨基于随机森林模型的酒店收入和产量预测分析。

由Kaizong Ye,Liao Bao撰写

我们将使用4月9日至4月15日的数据作为测试集,评估预测的准确度。

我们将分别对单个酒店在三个预订渠道的总收入和总产量进行分析,并使用随机森林模型进行预测。

通过对比每家酒店的间夜预测值(或收入)与实际值的结果,以及产量排名前四分之一酒店的平均误差值,我们将得出对酒店收入和产量的有效预测和分析。

读取数据

首先,我们需要从CSV文件中读取数据。训练集的数据涵盖了从4月1日到4月8日的信息,而测试集的数据则对应于4月9日至4月15日。


data=read.csv("jdfeycdata_test1_4.1-4.8(训练集).csv",header=T)
image.png

以04-9至04-15的数据为测试集评测预测的准确度

test=read.table("jdfeycdata_test1_4.9-4.15(测试集).csv",header=T)
image.png

视频

从决策树到随机森林:R语言信用卡违约分析信贷数据实例

探索见解

去bilibili观看

探索更多视频

单酒店在三个预订渠道的 总收入

为了预测酒店的总收入,我们需要将来自三个不同预订渠道的收入相加。这一步骤对于训练集和测试集都需要进行。

data$income=data$b_price_after_app +data$c_price_after_app +data$e_price_after_app  
test$income=test$b_price_after_app +test$c_price_after_app +test$e_price_after_app

随机森林预测识别的模型

接下来,我们将使用随机森林算法来建立预测模型。在此之前,我们需要对数据进行预处理,包括转换数据框格式、剔除缺失值等。

image.png
#转换数据,拟合随机森林模型  
data=data.frame(data)  
  
##剔除缺失数据  
data=na.omit(data)  
  
  
#建立随机森林
   
rfmodel = randva")
image.png

图片

逻辑回归、随机森林、SVM支持向量机预测心脏病风险数据和模型诊断可视化

阅读文章


每家酒店的间夜预测值(或收入)与实际值的对比结果

完成模型的建立后,我们将使用测试集来评估模型的预测性能。通过对比每家酒店的预测收入与实际收入,我们可以了解模型的准确性。


随时关注您喜欢的主题


训练集

image.png
image.png

测试集

类似地,我们也可以预测酒店的产量,即每个酒店的总房间数。

image.png
QQ截图20240201153928.png

产量排名前四分之一酒店平均误差值

我们还可以进一步分析产量排名前四分之一的酒店的预测误差,以了解模型在这些关键酒店上的表现。

image.png

(∑|每天酒店预测值-每天酒店实际值|/每天酒店实际值)/天数

产量排名前四分之一酒店平均误差:


sum(abs(predict(rfmodel,test )-test$income)/test$income)/length( (test
image.png

单酒店在三个预订渠道的总产量

data$roomquantity=as.numeric(data$roomquantity)  
test$roomquantity=as.numeric(test$roomquantity)

预测识别的模型方法代码


rfmodel = randst( roomquantit
image.png

每家酒店的间夜预测值(或收入)与实际值的对比结果

image.png
image.png

产量排名前四分之一酒店平均误差值

image.png

(∑|每天酒店预测值-每天酒店实际值|/每天酒店实际值)/天数

test=test[test$masterhotelid %in% s40,]

产量排名前四分之一酒店平均误差:

sum(abs(predict(rfmodel,test )-test$roomquantity)/test$roomquantity)/le
image.png

结论

通过上述步骤,我们可以得到一个关于酒店收入和产量的预测模型,并通过测试集来评估其性能。此外,我们还可以分析模型在关键酒店上的表现,从而了解模型在实际应用中的潜在价值。需要注意的是,随机森林模型中的参数(如ntree)应根据具体情况。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds