https://github.com/idb-devs/dataanalyticsairbnb
Construir um modelo de previsão de preço que permita uma pessoa comum que possui um imóvel possa saber quanto deve cobrar pela diária do seu imóvel.
https://github.com/idb-devs/dataanalyticsairbnb
data-analysis data-science jupyter python
Last synced: 2 months ago
JSON representation
Construir um modelo de previsão de preço que permita uma pessoa comum que possui um imóvel possa saber quanto deve cobrar pela diária do seu imóvel.
- Host: GitHub
- URL: https://github.com/idb-devs/dataanalyticsairbnb
- Owner: IDB-devs
- Created: 2025-01-16T21:14:56.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-01-19T18:30:29.000Z (over 1 year ago)
- Last Synced: 2025-10-27T21:10:08.170Z (8 months ago)
- Topics: data-analysis, data-science, jupyter, python
- Language: Jupyter Notebook
- Homepage:
- Size: 16 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# DataAnalyticsAirbnb
### Contexto
No Airbnb, qualquer pessoa que tenha um quarto ou um imóvel de qualquer tipo (apartamento, casa, chalé, pousada, etc.) pode ofertar o seu imóvel para ser alugado por diária.
Você cria o seu perfil de host (pessoa que disponibiliza um imóvel para aluguel por diária) e cria o anúncio do seu imóvel.
Nesse anúncio, o host deve descrever as características do imóvel da forma mais completa possível, de forma a ajudar os locadores/viajantes a escolherem o melhor imóvel para eles (e de forma a tornar o seu anúncio mais atrativo)
Existem dezenas de personalizações possíveis no seu anúncio, desde quantidade mínima de diária, preço, quantidade de quartos, até regras de cancelamento, taxa extra para hóspedes extras, exigência de verificação de identidade do locador, etc.
### Nosso objetivo
Construir um modelo de previsão de preço que permita uma pessoa comum que possui um imóvel possa saber quanto deve cobrar pela diária do seu imóvel.
Ou ainda, para o locador comum, dado o imóvel que ele está buscando, ajudar a saber se aquele imóvel está com preço atrativo (abaixo da média para imóveis com as mesmas características) ou não.
### O que temos disponível, inspirações e créditos
As bases de dados foram retiradas do site kaggle: https://www.kaggle.com/allanbruno/airbnb-rio-de-janeiro
Elas estão disponíveis para download abaixo da aula (se você puxar os dados direto do Kaggle pode ser que encontre resultados diferentes dos meus, afinal as bases de dados podem ter sido atualizadas).
Caso queira uma outra solução, podemos olhar como referência a solução do usuário Allan Bruno do kaggle no Notebook: https://www.kaggle.com/allanbruno/helping-regular-people-price-listings-on-airbnb
Você vai perceber semelhanças entre a solução que vamos desenvolver aqui e a dele, mas também algumas diferenças significativas no processo de construção do projeto.
- As bases de dados são os preços dos imóveis obtidos e suas respectivas características em cada mês.
- Os preços são dados em reais (R$)
- Temos bases de abril de 2018 a maio de 2020, com exceção de junho de 2018 que não possui base de dados
### Expectativas Iniciais
- Acredito que a sazonalidade pode ser um fator importante, visto que meses como dezembro costumam ser bem caros no RJ
- A localização do imóvel deve fazer muita diferença no preço, já que no Rio de Janeiro a localização pode mudar completamente as características do lugar (segurança, beleza natural, pontos turísticos)
- Adicionais/Comodidades podem ter um impacto significativo, visto que temos muitos prédios e casas antigos no Rio de Janeiro
Vamos descobrir o quanto esses fatores impactam e se temos outros fatores não tão intuitivos que são extremamente importantes.
### Arquivos Explicação:
- Solução Airbnb Rio.ipynb -> arquivo voltado a solução do problema e toda a análise dos dados, treinando modelos de IA RandomForest, LinearRegression e ExtraTrees para ver qual o melhor modelo para realizar as análises e se tornar executável para análises mais dinâmicas.
- primeiros_registros.csv -> tabela de dados para análisar e checar em que fatores os preços são baseados.
- dados.csv -> banco de dados já analisado e limpo para treinamento e teste das IAs.
- Deploy Projeto Airbnb - Dicionarios Criados.ipynb e Deploy_Airbnb.py -> arquivos para criação de executável para deploy dos modelos de forma a deixa-los dinâmicos, colocando um modelo.joblib(IA treinada e testada) para fazer as análises no dia dia de uma pessoa comum.