diff --git a/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb b/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb
index 79a6a1e64388ef0d01cd37e36c2e67bb85c03bbf..943859f408d989e72c9f0567da5921843b2e9c2f 100644
--- a/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb
+++ b/Tourism/Prediction cancellation of hotel bookings/notebook.ipynb
@@ -5,29 +5,45 @@
"metadata": {
"editable": true,
"include": true,
- "paragraph": "BusinessUnderstanding",
"slideshow": {
"slide_type": ""
},
"tags": []
},
"source": [
- "# 1. Business Understanding"
+ "# 1. Geschäftsverständnis"
]
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
- "Cancellations are part of the everyday life of hotels. For some time now, hotels have been charging no/barely any cancellation fees. This increasingly attracts customers to make bookings that are then not taken at the last second.\n",
- "Is it possible to use machine learning approaches to determine the size by given parameters and to predict the cancellations by overbooking hotels accordingly in order to fill the hotel nonetheless in case of cancellations that are not perceived?"
+ "Abschätzung des Kundenverhaltens bezüglich Hotelstornierungen zur Planung von Kapazitäten. Der Anwendungsfall soll testen, ob es möglich ist,\n",
+ "Hotelstornierungen vorherzusagen.Ein wichtiges Ziel für jedes Unternehmen liegt in der Erhaltung wertvoller Kundenbeziehungen, \n",
+ "postive Ranking und Kapazitat plannung. Für Unternehmen ist daher eine Einschätzung der Kundenvehalten bei Buchungstonierung notwendig, \n",
+ "So dass sich das Risiko der Buchungstonierung eines Kunden vorab einschätzen lässt, können Gegenmaßnahmen eingeleitet werden."
]
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "paragraph": "Daten und Datenverständnis",
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
- "# 2. Data and Data Understanding"
+ "# 2. Daten und Datenverständnis"
]
},
{
@@ -35,21 +51,33 @@
"metadata": {
"editable": true,
"include": true,
- "paragraph": "DataUnderstanding",
"slideshow": {
"slide_type": ""
},
"tags": []
},
"source": [
- "The data sets contain all kinds of data recorded about the guests. Characteristics regarding children, bookings via travel agencies, etc. could provide information on whether they have a higher cancellation rate."
+ "Die Daten Rahmen sind fuer Hotel Buchungen und Der Datensatz für diese Demo wurde auf der Kaggle Data Science Plattform als c.s.v file veröffentlicht. \n",
+ "In den Datensätzen sind allerlei Daten zu den Gästen erfasst. Merkmale zu Familie mit Kindern Buchungen über Reisebüros etc. können Aufschluss \n",
+ "darüber geben, ob bei ihnen eine höhere Stornoquote vorliegt. Der Datenrahmen enthält Buchungsinformationen von 2 verschiedenen Hotels und die\n",
+ "Anzahl der Beobachtungen = 119390, Anzahl der Merkmale = 32\n",
+ "Correlation Analysis: stays in weekend nights and stays in week night with 0.5."
]
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "jp-MarkdownHeadingCollapsed": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"source": [
- "## 2.1. Import of Relevant Modules"
+ "# 2.1. Import von Relevant Module"
]
},
{
@@ -1197,9 +1225,34 @@
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
- "# 3. Data Preparation"
+ "# 3. Datenaufbereitung"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": null,
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
+ "outputs": [],
+ "source": [
+ "Zunächst wird der Typ der Daten nach dem Einlesen in das Notebook überprüft. Einlesefehler werden entsprechend korrigiert.\n",
+ "Dimensionalitäts reduktion: entfernte Attribute ohne Beschreibung. Fehlende Daten: Zeilen mit fehlenden Daten werden entfernt.\n",
+ "Datenkonvertierung: Dummy-Variablen werden erstellt."
]
},
{
@@ -1207,7 +1260,6 @@
"metadata": {
"editable": true,
"include": true,
- "paragraph": "DataPreparation",
"slideshow": {
"slide_type": ""
},
@@ -1220,7 +1272,16 @@
{
"cell_type": "code",
"execution_count": 26,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"data": {
@@ -1451,7 +1512,14 @@
{
"cell_type": "code",
"execution_count": 27,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"outputs": [],
"source": [
"#df_dummies.to_csv('train_dummies.csv', index = False) "
@@ -1460,7 +1528,14 @@
{
"cell_type": "code",
"execution_count": 28,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"outputs": [
{
"data": {
@@ -1485,7 +1560,16 @@
{
"cell_type": "code",
"execution_count": 29,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"data": {
@@ -1513,9 +1597,41 @@
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
+ "source": [
+ "# 4. Modellierung und Auswertung"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": null,
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
+ "outputs": [],
"source": [
- "## 4. Modelling and Evaluation"
+ "Der Datensatz wird mit seinen Dummy-Variablen hochgeladen und in einen Trainings- und einen Testsatz aufgeteilt.\n",
+ "Dann wird der Trainings- und Testprozess mit 3 verschiedenen Algorithmen durchgeführt und ausgewertet - Logistische Regression, Entscheidungsbaum,\n",
+ "Random Forest.\n",
+ "Fur Bewertung, Hyperparameter: \n",
+ "Output: überwachtes Lernen, Klassifikation\n",
+ "Datenaufteilung: 80% Trainingsdaten, 20% Testdaten.\n",
+ "Auswertungsmetriken DecisionTree: Genauigkeit= 0.82, Rückruf= 0.74, Präzision=0.76.\n",
+ "Auswertungsmetriken Logistische Regression: Genauigkeit= 0.78, Rückruf= 0.55,\n",
+ "Präzision= 0.78.\n",
+ "Auswertungsmetriken Random Forest: Genauigkeit= 0.82, Rückruf= 0.57, Genauigkeit= 0,90.\n"
]
},
{
@@ -1523,7 +1639,6 @@
"metadata": {
"editable": true,
"include": true,
- "paragraph": "Modeling",
"slideshow": {
"slide_type": ""
},
@@ -1536,7 +1651,16 @@
{
"cell_type": "code",
"execution_count": 30,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [],
"source": [
"target = df_dummies['is_canceled'] # feature to be predicted\n",
@@ -1546,7 +1670,14 @@
{
"cell_type": "code",
"execution_count": 31,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"outputs": [
{
"data": {
@@ -1776,7 +1907,16 @@
{
"cell_type": "code",
"execution_count": 32,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [],
"source": [
"X_train, X_test, y_train, y_test = train_test_split(predictors, target, test_size=0.2, random_state=123)"
@@ -1784,7 +1924,14 @@
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
"## 4.2. DecisionTree"
]
@@ -1792,7 +1939,16 @@
{
"cell_type": "code",
"execution_count": 33,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"data": {
@@ -1813,7 +1969,16 @@
{
"cell_type": "code",
"execution_count": 34,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -1831,7 +1996,16 @@
{
"cell_type": "code",
"execution_count": 35,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -1856,7 +2030,16 @@
{
"cell_type": "code",
"execution_count": 36,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -1880,7 +2063,14 @@
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
"## 4.3. Logistic Regression "
]
@@ -1888,7 +2078,16 @@
{
"cell_type": "code",
"execution_count": 37,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stderr",
@@ -1923,7 +2122,16 @@
{
"cell_type": "code",
"execution_count": 38,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -1941,7 +2149,16 @@
{
"cell_type": "code",
"execution_count": 39,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"data": {
@@ -1980,7 +2197,14 @@
{
"cell_type": "code",
"execution_count": 40,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"outputs": [
{
"name": "stdout",
@@ -2005,7 +2229,14 @@
{
"cell_type": "code",
"execution_count": 41,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"outputs": [
{
"name": "stdout",
@@ -2029,7 +2260,14 @@
},
{
"cell_type": "markdown",
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": []
+ },
"source": [
"## 4.4. Random Forest"
]
@@ -2037,7 +2275,16 @@
{
"cell_type": "code",
"execution_count": 42,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -2116,7 +2363,16 @@
{
"cell_type": "code",
"execution_count": 43,
- "metadata": {},
+ "metadata": {
+ "editable": true,
+ "include": true,
+ "slideshow": {
+ "slide_type": ""
+ },
+ "tags": [
+ "active_ipynb"
+ ]
+ },
"outputs": [
{
"name": "stdout",
@@ -2154,7 +2410,10 @@
}
],
"metadata": {
- "category": "Tourism",
+ "branche": "Tourismus",
+ "category": "Hotel",
+ "dataSource": "https://www.kaggle.com/jessemostipak/hotel-booking-demand",
+ "funktion": "Marketforschung",
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
@@ -2172,8 +2431,10 @@
"pygments_lexer": "ipython3",
"version": "3.12.3"
},
+ "repoLink": "https://github.com/AlexRossmann/machine-learning-services/tree/main/Marketing/Generation%20of%20Individual%20Playlists",
"skipNotebookInDeployment": false,
- "title": "Prediction cancellation of hotel bookings"
+ "teaser": "Ein wichtiges Ziel für jedes Unternehmen liegt in der Kunden Zufriedenheit und Gewinn maximierung. Problematisch ist wenn die Kunde Ihre Buchungen plotzlich stonieren ohne vorkentnisse. Diese kann nicht nur zu Gewinn velust und negative Bewertung das Hotel fuhren sondern auch zu wirtschaft unsicherheit. Abschätzung des Kundenverhaltens in vorraus bei Buchungsstornierungen für Planung von Kapazität ist notwending.. ",
+ "title": "Vorherzusagen von Buchungstornierungen"
},
"nbformat": 4,
"nbformat_minor": 4