如何用TensorFlow预测纽约市AirBnB租赁价格
这篇文章将为大家详细讲解有关如何用TensorFlow预测纽约市AirBnB租赁价格，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。
介绍
Airbnb是一个在线市场，允许人们将自己的房产或空余房间出租给客人。每预订3位客人，收取12%和6%的佣金。
该公司自2009年成立以来，已从每年帮助2.1万名客人找到住处，发展到每年帮助600万人度假，目前在90个不同国家的34000个城市列出了惊人的80万套房产。
我将使用Kaggle-newyorkcityairbnb开放数据集，尝试用TensorFlow建立一个神经网络模型来进行预测。
目标是建立一个合适的机器学习模型，能够预测未来住宿数据的价格。
我将展示我创建的Jupyter Notebook。你可以在GitHub上找到它：https://github.com/Timothy102/Tensorflow-for-Airbnb-Prices
加载数据
首先，让我们看看如何加载数据。我们用wget直接从Kaggle网站上获取数据。注意-o标志表示文件名。
数据集应该如下所示。共有48895行16列。
数据分析与预处理
Seaborn有一个非常简洁的API，可以为各种数据绘制各种图形。如果你对语法不太熟悉，可以查看本文：https://www.analyticsvidhya.com/blog/2019/09/comprehensive-data-visualization-guide-seaborn-python/
在pandas数据帧上使用corr之后，我们将其传递给一个heatmap函数。结果如下：
既然我们有经度和经度以及邻里数据，让我们创建一个散点图：
此外，我删除了重复项和一些不必要的列，并填写了"reviews_per_month"，因为它有太多的缺失值。数据看起来像这样。它有10列，没有零值：
很好，对吧？
首先，电脑是做数字的。这就是为什么我们要把分类列转换成一个one-hot编码的向量。这是使用pandas的factorize方法完成的。你可以使用很多其他工具:
为了使损失函数保持在稳定的范围内，让我们对一些数据进行规范化，使平均值为0，标准差为1。
特征交叉
我们必须做出一个改变，这是一个必不可少的改变。为了使经度和纬度与模型输出相关联，我们必须创建一个特征交叉。下面的链接应该为你提供足够的背景知识，使你能够正确地感受到特征交叉：
https://developers.google.com/machine-learning/crash-course/feature-crosses/video-lecture
https://www.kaggle.com/vikramtiwari/feature-crosses-tensorflow-mlcc
我们的目标是介绍经纬度交叉，这是本书中最古老的技巧之一。如果我们只将这两列作为值放入模型，它将假定这些值与输出逐步相关。
相反，我们将使用特征交叉，这意味着我们将把经度*经度地图分割成一个网格。幸运的是，TensorFlow使它变得容易。
我通过迭代（max-min）/100，从而生成一个分布均匀的帧网格。
我用的是100×100网格：
本质上，我们在这里所做的，是定义一个bucked列和前面定义的边界，并创建一个DenseFeatures层，然后将传递给Sequential API。
如果你不熟悉Tensorflow语法，请检查文档：https://www.tensorflow.org/api_docs/python/tf/feature_column/
现在，终于，我们为模型训练做好了准备。除了拆分数据部分，也就是说。
显然，我们必须创建两个数据集，一个包含所有数据，另一个包含预测得分。由于数据大小不匹配，这可能会给我们的模型带来问题，所以我决定截断太长的数据。
创建模型
最后，建立了Keras序列模型。
我们使用Adam优化器、均方误差损失和两个指标来编译模型。
此外，我们使用两个回调：
早停，这是不言而喻的
降低高原学习率。
经过50个epoch的训练，batch大小为64，我们的模型是相当成功的。
我们使用纽约市的AirBnB数据建立了一个全连接的神经网络来预测未来的价格。Pandas和seaborn使得可视化和检查数据变得非常容易。我们在模型中引入了经纬度交叉作为特征的思想。并且多亏了Kaggle的开放数据集，我们得到了一个完全可操作的机器学习模型。
关于如何用TensorFlow预测纽约市AirBnB租赁价格就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
