A comparison of machine learning methods in tourism
Resumen
El aprendizaje automático es el campo que estudia una clase de métodos que construyen funciones para predecir una variable endógena en función de otras variables explicativas. Para ello, estos métodos procesan un conjunto de datos de observaciones previas (Bishop, 2006). El aprendizaje supervisado es el área del aprendizaje automático donde el conjunto de datos de observaciones previas consiste en una matriz de covariables o características sobre la variable que se va a predecir y una matriz de valores que representa la variable que queremos predecir. Por ejemplo, considere el porcentaje de ocupación de un hotel en un mes en particular. Un modelo de aprendizaje automático puede predecir la ocupación de este hotel en el mes futuro si se fija con un conjunto de datos de ocupaciones anteriores y diferentes datos asociados con estas ocupaciones como el mes en particular, la temperatura media, el número de días soleados, la media de las habitaciones. precio u otra información útil. Lo más importante es que el aprendizaje automático se ha aplicado con éxito en una amplia plétora de disciplinas diferentes como la informática (Murphy, 2012), la astrofísica (VanderPlas, 2012), las energías renovables (Cornejo-Bueno, 2018) o incluso la gastronomía (Córdoba, 2018). ) en los años recientes. Machine learning is the field that studies a class of methods that build functions to predict an endogenous variable as a function of other explanatory variables. In order to do so, these methods process a dataset of previous observations (Bishop, 2006). Supervised learning is the area of machine learning where the dataset of previous observations consists on a matrix of covariates or features about the variable to be predicted and an array of values that represents the variable that we want to predict. For example, consider the occupation percentage of a hotel in a particular month. A machine learning model may predict the occupation of this hotel in the future month if it is fixed with a dataset of previous occupations and different data associated with these occupations like the particular month, the mean temperature, number of sunny days, mean of the rooms price or other useful information. Most importantly, machine learning has been applied with success in a wide plethora of different disciplines such as computer science (Murphy, 2012), astrophysics (VanderPlas, 2012), renewable energies (Cornejo-Bueno, 2018) or even gastronomy (Córdoba, 2018) in the recent years.
A comparison of machine learning methods in tourism
Palabras Clave
Turismo; Aprendizaje automáticoTourism; Machine Learning