Data analyse d'AirBnB

Contexte

Le projet s'appuie sur des fichiers `airbnb_train.csv` et `airbnb_test.csv`. L'objectif est de comprendre les variables qui influencent le prix d'un logement, puis de construire un pipeline capable de produire des prédictions sur un jeu de test séparé.

Problématique

Les données mélangent colonnes numériques, catégorielles, booléennes, textuelles et temporelles, avec de nombreuses valeurs manquantes et des cardinalités très élevées sur certaines variables. Il fallait rendre ce jeu exploitable pour des modèles supervisés sans exploser la complexité ni introduire trop de bruit.

Solution

Le notebook prépare les données, convertit les dates en ancienneté relative, traite les booléens et pourcentages, supprime plusieurs variables jugées peu utiles, encode les catégories puis compare huit modèles de régression. Le meilleur modèle retenu sert ensuite à produire un fichier de sortie `airbnb_predictions_done.csv` avec les prix prédits.

Choix techniques

J'ai fait le choix d'un pipeline de préparation volontairement lisible et robuste, pour pouvoir transformer rapidement un jeu de données très hétérogène en base exploitable par plusieurs modèles. L'encodage one-hot, l'imputation par médiane et les conversions de dates ou de pourcentages me permettaient de standardiser les variables sans complexifier inutilement le notebook. J'ai ensuite comparé plusieurs familles de régression pour identifier la solution la plus pertinente sur ce cas précis, et XGBoost s'est imposé comme le meilleur compromis entre performance prédictive et capacité à bien tenir sur le jeu de test.

• R.01
  Huit modèles de régression comparés dans le notebook
• R.02
  XGBoost retenu comme meilleur modèle avec un R² test d'environ 0,6656
• R.03
  Génération d'un fichier `airbnb_predictions_done.csv` à partir du jeu de test