https://github.com/caritoramos/predictive-classification-model-in-r

HOTEL RESERVATION CANCELLATION
https://github.com/caritoramos/predictive-classification-model-in-r

data-science eda knn-classification logistic-regression machine-learning-models neural-network r random-forest rstudio-project svm-classifier wrangling-data xboost-classifier xgboost-classifier

Last synced: 12 months ago
JSON representation

HOTEL RESERVATION CANCELLATION

• Host: GitHub
• URL: https://github.com/caritoramos/predictive-classification-model-in-r
• Owner: CaritoRamos
• Created: 2024-11-05T23:16:32.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2024-11-06T22:04:35.000Z (over 1 year ago)
• Last Synced: 2025-03-25T22:45:11.871Z (over 1 year ago)
• Topics: data-science, eda, knn-classification, logistic-regression, machine-learning-models, neural-network, r, random-forest, rstudio-project, svm-classifier, wrangling-data, xboost-classifier, xgboost-classifier
• Language: HTML
• Homepage:
• Size: 1.86 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# **Resumen Ejecutivo: Predicción de Cancelaciones de Reservas**

## **Objetivo**

Desarrollar un modelo para predecir cancelaciones de reservas hoteleras y entender los factores clave que las influyen.

## **Metodología**

1. **Exploración y Limpieza de Datos**  

   - Eliminación de valores nulos y transformación de variables relevantes.

2. **División de Datos**  

   - Separación en entrenamiento (70%), validación (15%) y prueba (15%).

3. **Modelado**  

   - **Regresión Logística** para interpretar el impacto de variables clave.  

   - **Modelos de Machine Learning**: LDA, SVM, Random Forest, XGBoost, Redes Neuronales, entre otros.

4. **Resultados**  

   - **Random Forest** fue el mejor modelo con **85.23% de exactitud**.  

   - **Lead time** y **previous cancellations** son los principales predictores.

## **Conclusión**

- Se puede anticipar cancelaciones con alta precisión.  

- Recomendación: mejorar la especificidad del modelo y aplicar estrategias para reducir cancelaciones.