Projet de cours en binôme
Université de technologie de Compiègne · BA08 Data Science for the Smart City (printemps 2024)
Étude complète de 11 854 annonces bordelaises d'Inside Airbnb : EDA, cartes et ANOVA, cinq variables extraites du titre, puis comparaison de régression linéaire, forêt aléatoire, Ridge et Lasso sur deux segments de prix (100 €). La forêt aléatoire atteint un R² test de 0,52 (bas prix) et 0,55 (haut prix).
C’était le projet de cours BA08 « Data Science for the Smart City » à l’UTC, rendu en juin 2024. Le sujet proposait deux formats : construire un cas smart city de zéro (niveau 1) ou rejouer et améliorer un cas public (niveau 2). Nous avons choisi le niveau 2, en prenant le notebook Kaggle NYC Airbnb: EDA, Visualization, Regression comme base, puis en ajoutant trois améliorations : une autre ville et la source de données d’origine, des variables extraites du titre, et une modélisation par segments de prix.
data/listings.csv, 11 854 lignes × 18 colonnes, encodage latin-1 ;price (€) ; 8 162 valeurs non nulles, médiane 82 €, moyenne 115 €, maximum 5 300 € ;host_name est supprimé non seulement parce qu’il n’apporte pas d’information sur le prix, mais aussi pour des raisons éthiques : aucune inférence ne doit être faite sur des personnes réelles.
La colonne name ressemble à Rental unit in Bordeaux · ★New · 2 bedrooms · 1 bath. Cinq colonnes sont extraites par expressions régulières :
note : la note, avec New transformé en −1 ;number_of_bedrooms / number_of_beds / number_of_baths : Studio compte pour une chambre et Half-bath pour 0,5 salle de bain ;type_of_baths : privée ou partagée.Nettoyage : les reviews_per_month manquants deviennent 0 ; les lignes sans price, note ou sans les trois variables de capacité sont supprimées ; prix et compteurs étant très asymétriques, ils sont transformés en log10, y compris la cible.
L’EDA comprend histogrammes et boîtes à moustaches, cartes Folium colorées par district et type de logement, une matrice de corrélation, et une ANOVA à un facteur avec comparaisons deux à deux pour tester l’effet du district sur le prix (segment bas prix, p ≪ 0,05).
Deux pipelines de prétraitement, chacun entraîné sur les deux segments avec quatre modèles :
| Modèle 1 | Modèle 2 | |
|---|---|---|
| Variables numériques | transformation log10 | discrétisation par quantiles qcut (2–3 niveaux) |
| Variables catégorielles | one-hot (drop_first=True) | one-hot (drop_first=True) |
| Nombre de variables | 88 | 57 |
| Modèles | régression linéaire, forêt aléatoire (max_depth=8, 100 arbres), Ridge, Lasso | idem |
| Réglage | GridSearchCV sur alpha | idem |
| Validation | KFold (8/10) + découpage 70/30 | idem |
Les métriques sont calculées dans l’espace log10(price) : RMSE = 0,09 correspond à une erreur relative d’environ 10^0,09 − 1 ≈ 23 %.
R² = 0,52 en bas prix et 0,55 en haut prix sur le test ;R² = 0,1 ;R² = 0,68 sur l’entraînement bas prix contre 0,52 sur le test.Échantillon réduit (4 259 annonces, dont 1 629 en haut prix), snapshot unique sans saisonnalité, absence de surface, rénovation, vue ou transport, extraction regex fragile sur les titres non standard, métriques en log10 peu intuitives. Les pistes naturelles sont SHAP, XGBoost/LightGBM et une recherche d’hyperparamètres plus large.
Code, notebook, rapport, slides de soutenance et certificats DataCamp : https://github.com/yicongl1/Bordeaux-Airbnb






