發(fā)布時間：2024-06-30 11:16

　　由于網(wǎng)上拍賣的流行,對網(wǎng)上拍賣商品最終成交價格的預(yù)測,就顯得尤為重要.通過預(yù)測,投標(biāo)者和賣家都可以獲得有用的信息,更好的掌握拍賣動態(tài)和規(guī)則,使拍賣得以順利進行.就本文而言,我們使用Ebay上的歷史拍賣數(shù)據(jù)對最終成交價格進行了預(yù)測,將最終成交價格分為連續(xù)型價格和離散型價格.對于連續(xù)型價格的預(yù)測,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所有屬性進行選擇,最終選出對最終成交價格影響較大的屬性,利用回歸樹建立預(yù)測模型,將最終成交價格分為只包含300美元以下部分和包含所有成交價格兩部分分別進行預(yù)測,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百分比誤差作為衡量指標(biāo)與當(dāng)下幾個流行的機器學(xué)習(xí)算法(本文選用多元線性回歸模型,多層感知機模型,K最近鄰模型)進行比較;對于離散型價格的預(yù)測,我們將其看成一個分類問題,使用極端梯度提升(XGBoost)建立模型并進行預(yù)測,同時將該模型與邏輯斯蒂回歸模型(Logistic Regression)進行比較,使用準(zhǔn)確率作為衡量指標(biāo),通過十次迭代之后,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...

【文章頁數(shù)】：44 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.1Microsoft-BoxEbay拍賣頁面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格預(yù)測圖3.1Microsoft-BoxEbay拍賣頁面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),我們首先對原有數(shù)據(jù)進行重新編碼.因為數(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格預(yù)測圖3.2SalePrice與Time的關(guān)系圖3.2.2缺失值處理因為此數(shù)據(jù)集中“郵費”這一屬性包含缺失值,所以在進行建模之前,要對缺失值進行填充.本文選取K最近鄰法填充缺失值，因為基于K個最近鄰的缺失值填充算法考慮到了屬性上下....

圖3.3買賣雙方對應(yīng)關(guān)系圖

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

圖4.5每個回歸模型的RMSE(t1)2(t1)

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

本文編號：3998695