Πρόβλεψη ακύρωσης ξενοδοχειακών κρατήσεων με τη χρήση μηχανικής μάθησης
| Jazyk: | Greek, Modern (1453-)<br />Greek |
|---|---|
| Rok vydání: | 2023 |
| Předmět: | |
| DOI: | 10.26262/heal.auth.ir.347697 |
| Popis: | Σκοπός της παρούσας διατριβής είναι να επιδείξει τη σημαντικότητα της μηχανικής μάθησης στην επίλυση του προβλήματος του ξενοδοχειακού κλάδου της Πορτογαλίας που αφορά τις ακυρώσεις κρατήσεων και η μοντελοποίηση αυτού. Συγκεκριμένα εστιάζει στο πως οι αλγόριθμοι μηχανικής μάθησης μπορούν να επιλύσουν το πρόβλημα της ακύρωσης κρατήσεων δύο ξενοδοχείων της Πορτογαλίας. Αρχικά γίνεται μία εισαγωγή όπου περιγράφονται το πρόβλημα, ο σκοπός και η δομή της διπλωματικής εργασίας. Στη συνέχεια μέσα από τη βιβλιογραφική ανασκόπηση εμβαθύνει στη έννοια της μηχανικής μάθησης και αναλύει τις 3 προσεγγίσεις της: την εποπτευόμενη, τη μη εποπτευόμενη και την ενισχυτική μάθηση. Έπειτα προχωράει στο στάδιο της έρευνας ακολουθώντας μία σειρά από συγκεκριμένα βήματα για την επίλυση του προβλήματος. Είναι ένα πρόβλημα κατηγοριοποίησης το οποίο δέχεται 31 δεδομένα εισαγωγής και 1 δεδομένο εξαγωγής. Για τη μεγιστοποίηση της ακρίβειας πρόβλεψης χρησιμοποιούνται 4 αλγόριθμοι ωστόσο ο Random Forest είναι αυτός με τη μεγαλύτερη ακρίβεια. Για την εξαγωγή των αποτελεσμάτων χρησιμοποιήθηκαν η γλώσσα προγραμματισμού Python και το λογισμικό μηχανικής μάθησης Weka. Τέλος έπειτα από τη εξαγωγή των αποτελεσμάτων καταλήγει σε ορισμένα σημαντικά συμπεράσματα όπως το ότι η προ επεξεργασία των δεδομένων είναι απαραίτητη προϋπόθεση για τη μεγιστοποίηση της ακρίβειας του μοντέλου και της ταχύτητας πρόβλεψης αλλά και ότι ο αλγόριθμος ο οποίος έχει τη μεγαλύτερη ακρίβεια στη συγκεκριμένη έρευνα έχει την χαμηλότερη ταχύτητα εκτέλεσης. The purpose of this thesis is to demonstrate the importance of machine learning in solving the problem of hotel cancellations in Portugal and its modeling. In particular it focuses on how machine learning algorithms can solve the problem of canceling reservations of two hotels in Portugal. First, an introduction is made where the problem, the purpose and the structure of the thesis are described. Then, through the bibliographic review, he delves into the concept of machine learning and analyzes its 3 approaches: supervised, unsupervised and reinforcement learning. . It then proceeds to the research stage following a series of specific steps to solve the problem. It is a classification problem which accepts 31 input data and 1 output data. 4 algorithms are used to maximize prediction accuracy, however Random Forest is the one with the highest accuracy. Python programming language and Weka machine learning software were used to extract the results. Finally, after extracting the results, he comes to some important conclusions such as that the pre-processing of the data is a necessary condition for maximizing the accuracy of the model and the speed of prediction and also that the algorithm which has the most accuracy in this particular research has the lower execution speed. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|