我国共享住宿行业如今发展可观,但易受国内大环境影响,存在诸多不确定性。在线短租作为共享住宿的具体表现形式,凭借其性价比高、服务周到、给房客不一样的入住体验的特点优势,受到越来越多房客的欢迎。本文针对小猪短租平台上北京市在线短租房数据,构建多个机器学习模型,对在线短租房日租价格进行预测,比较得出预测效果最优模型,最后根据最优模型获得短租房价格的影响因素。这既为带房入驻短租平台的房主对自身产品的定价提供参考,帮助其做出更好的决策,也帮助房客根据自身需求事先了解房租价格,降低交易风险。本文利用八爪鱼爬虫软件爬取到北京市在线短租房信息数据。首先对原数据做手动填补数据缺失值、识别数据异常值并做修改剔除处理、变量提取、分类变量有无序判断、无序分类变量哑变换、地区变量取值缩减、价格变量对数化、连续变量标准化等工作,使原始数据成为可用于构建模型的数据。然后对数据自变量和因变量分别做描述性统计分析,其中将自变量分成五类属性指标,分别是房屋内部属性、区位属性、服务保障属性、限制属性和评价属性。接着将原始数据划分成训练集和测试集,在训练集上运用带L1惩罚项的Lasso特征选择函数对原始数据的特征变量进行选择,选出35个特征变量。针对选出的变量对数据构建了五个单学习器模型,分别是线性回归模型、Ridge回归模型、Lasso回归模型、弹性网络回归模型和CART回归树模型。结果表明在单学习器模型中CART回归树模型预测效果最好。为进一步提高预测精度,本文又构建了三个集成学习模型,分别是AdaBoost回归模型、Bagging回归模型、随机森林回归模型。结果显示,对比单学习器模型,集成学习模型的预测效果更显著,其中随机森林回归模型对北京地区在线短租房数据的预测误差最低,预测效果最好。最后根据随机森林回归模型将特征变量的重要性进行排序,得到影响在线短租房价格的主要因素有:房屋面积、卧室数、房屋用途、卫生间数、客厅数、床数、宜住人数、是否有独立卫浴、所在地区、是否整租、押金和点评数。