Συστήματα μηχανικής μάθησης στις ξενοδοχειακές κρατήσεις

Abstract

Η παρούσα διπλωματική εργασία φέρει τον τίτλο «Συστήματα Μηχανικής Μάθησης στις Ξενοδοχειακές Κρατήσεις» και αναλύει το πρόβλημα των ακυρώσεων κρατήσεων στα ξενοδοχεία, χρησιμοποιώντας μηχανική μάθηση, ειδικότερα τον αλγόριθμο XGBoost. Οι διαδικτυακές πλατφόρμες κρατήσεων για ξενοδοχεία έχουν επιφέρει σημαντικές αλλαγές στον τρόπο που οι πελάτες πραγματοποιούν κρατήσεις και στη συμπεριφορά τους. Πολλές κρατήσεις ακυρώνονται λόγω αλλαγής σχεδίων ή διάφορων προγραμμάτων. Το ερώτημα που τίθεται είναι το εξής: "Μπορούμε να προβλέψουμε αν ένας πελάτης θα τηρήσει την κράτησή του ή θα την ακυρώσει;" Η μελέτη χρησιμοποιεί ένα σύνολο δεδομένων από το Kaggle.com με πραγματικά δεδομένα από ξενοδοχεία. Για καλύτερη κατανόηση, πραγματοποιείται διερευνητική ανάλυση των δεδομένων με οπτικοποιήσεις και διαγράμματα με χρήση της Python. Στο στάδιο προεπεξεργασίας των δεδομένων, προστίθενται νέες ανεξάρτητες μεταβλητές για τη βελτιστοποίηση της ανάλυσης. Δημιουργείται ένα προβλεπτικό μοντέλο XGBoost, το οποίο ανήκει στη βιβλιοθήκη μηχανικής εκμάθησης με ενισχυμένη κλίση δέντρων απόφασης, γνωστή ως gradient-boosted decision trees (GBDT). Το σύνολο δεδομένων διαιρείται σε δεδομένα εκπαίδευσης και δεδομένα δοκιμής, ενώ η τεχνική cross-validation βοηθά στον καλύτερο διαμοιρασμό των δεδομένων. Επίσης, εφαρμόζεται αναζήτηση πλέγματος (Grid Search) για τη ρύθμιση των υπερπαραμέτρων. Για την αξιολόγηση του μοντέλου χρησιμοποιούνται οι καμπύλες ROC, AUC και η βιβλιοθήκη SHAP για μεγαλύτερη διαφάνεια των παραγόντων που επηρέασαν τη βελτιστοποίηση του μοντέλου. Η μηχανική μάθηση είναι ένα εργαλείο, που μπορεί να φάνει πολύ χρήσιμο και επικερδές στον τομέα του τουρισμού.