由于網(wǎng)上拍賣的流行,對(duì)網(wǎng)上拍賣商品最終成交價(jià)格的預(yù)測(cè),就顯得尤為重要.通過(guò)預(yù)測(cè),投標(biāo)者和賣家都可以獲得有用的信息,更好的掌握拍賣動(dòng)態(tài)和規(guī)則,使拍賣得以順利進(jìn)行.就本文而言,我們使用Ebay上的歷史拍賣數(shù)據(jù)對(duì)最終成交價(jià)格進(jìn)行了預(yù)測(cè),將最終成交價(jià)格分為連續(xù)型價(jià)格和離散型價(jià)格.對(duì)于連續(xù)型價(jià)格的預(yù)測(cè),為了消除屬性之間的相關(guān)性,需要先構(gòu)建新的屬性,然后使用多元逐步回歸對(duì)所有屬性進(jìn)行選擇,最終選出對(duì)最終成交價(jià)格影響較大的屬性,利用回歸樹(shù)建立預(yù)測(cè)模型,將最終成交價(jià)格分為只包含300美元以下部分和包含所有成交價(jià)格兩部分分別進(jìn)行預(yù)測(cè),我們發(fā)現(xiàn)這樣可以提高模型準(zhǔn)確率又不損失數(shù)據(jù)集的有用信息.文章采用均方誤差根和平均絕對(duì)百分比誤差作為衡量指標(biāo)與當(dāng)下幾個(gè)流行的機(jī)器學(xué)習(xí)算法(本文選用多元線性回歸模型,多層感知機(jī)模型,K最近鄰模型)進(jìn)行比較;對(duì)于離散型價(jià)格的預(yù)測(cè),我們將其看成一個(gè)分類問(wèn)題,使用極端梯度提升(XGBoost)建立模型并進(jìn)行預(yù)測(cè),同時(shí)將該模型與邏輯斯蒂回歸模型(Logistic Regression)進(jìn)行比較,使用準(zhǔn)確率作為衡量指標(biāo),通過(guò)十次迭代之后,取最后一次的準(zhǔn)確率為模型準(zhǔn)確率的最終結(jié)果,最后得出...

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3.1Microsoft-BoxEbay拍賣頁(yè)面3.2數(shù)據(jù)預(yù)處理

州大學(xué)碩士學(xué)位論文基于網(wǎng)上拍賣的最終成交價(jià)格預(yù)測(cè)圖3.1Microsoft-BoxEbay拍賣頁(yè)面3.2數(shù)據(jù)預(yù)處理3.2.1數(shù)據(jù)的重編碼這一小節(jié),我們首先對(duì)原有數(shù)據(jù)進(jìn)行重新編碼.因?yàn)閿?shù)據(jù)集中條件這一列是字符串形式的,所以在建模之前將數(shù)據(jù)集中的“條件”變量重新編碼為0,1....

圖3.2SalePrice與Time的關(guān)系圖

州大學(xué)碩士學(xué)位論文基于網(wǎng)上拍賣的最終成交價(jià)格預(yù)測(cè)圖3.2SalePrice與Time的關(guān)系圖3.2.2缺失值處理因?yàn)榇藬?shù)據(jù)集中“郵費(fèi)”這一屬性包含缺失值,所以在進(jìn)行建模之前,要對(duì)缺失值進(jìn)行填充.本文選取K最近鄰法填充缺失值，因?yàn)榛贙個(gè)最近鄰的缺失值填充算法考慮到了屬性上下....

圖3.3買賣雙方對(duì)應(yīng)關(guān)系圖

i},很顯然,ｍ和ｎ之間存在著一對(duì)多的關(guān)系,它們之間的關(guān)系可以通過(guò)圖3.3清晰的看出.13

圖4.5每個(gè)回歸模型的RMSE(t1)2(t1)

圖4.5每個(gè)回歸模型的RMSEgi=y(t1)l(yi,y(t1)),hi=2y(t1)l(yi,y(t1)),由于前t-1棵樹(shù)的預(yù)測(cè)分?jǐn)?shù)與y的殘差對(duì)目標(biāo)函數(shù)優(yōu)化不影響,將其直接去掉,將目標(biāo)函數(shù)簡(jiǎn)化為:(t)=n∑i=1[gi×ft(xi)+1....

本文編號(hào)：3998695