关于在线拍卖成交价格预测的论文研究——结合Bagging和决策树算法模型.pdf

简介：
本文探讨了在在线拍卖环境中利用改进的机器学习技术预测最终成交价的方法。通过融合Bagging集成策略与决策树模型，提出了一种有效提高预测精度的新途径。研究结果为优化在线拍卖机制提供了有价值的参考。 这篇论文提出了一种基于Bagging与决策树算法的在线拍卖成交价格预测模型，并通过分析淘宝网的3310条交易数据及其8275条有效出价记录，验证了该方法的有效性。 研究发现，在不考虑未成交商品的情况下，有40.4%的交易可以通过统计出价次数来精确计算最终成交价格。如果将未成交的商品视为成交价格为零，则这一比例可以提高到79.55%。基于此观察结果，作者通过预测出价次数间接对拍卖物品的最终成交价格进行预测。 实验结果显示，提出的模型相较于平均值预测方法具有显著优势，并且有21.7%的预测结果完全准确。与Heijst在《Decision Support Systems》上的研究相比，该模型在样本需求量、运算时间和完全准确率方面都表现出了明显的优势。由于训练时间仅为数秒，这为实时在线拍卖成交价格预测决策支持系统的构建提供了可能的基础。