Как скрейпинг Google Карт и ML раскрывают победителей и проигравших в лондонском общепите

В статье на Habr ML автор делится личным экспериментом, который начался как обычный поиск хорошего места для обеда, а превратился в полноценный аналитический проект. С помощью скрейпинга он собрал более 30 000 записей о ресторанах Большого Лондона из Google Карт, включающих названия, геолокацию, количество отзывов, средний рейтинг, часы работы и данные о популярности (частота посещений, «пиковые» часы).\n\nПолученные данные были очищены и преобразованы в набор признаков, после чего автор обучил несколько моделей классификации (Logistic Regression, Random Forest, Gradient Boosting). Лучшей оказалась модель Gradient Boosting с точностью 87 % на отложенной выборке. Модель умеет предсказывать, будет ли ресторан «выигрывать» (получать более 4,5 звёзд и стабильно высокий поток клиентов) или «проигрывать» (низкие оценки, редкие визиты).\n\nРезультаты показали, что традиционные метрики Google (рейтинг и количество отзывов) часто вводят в заблуждение: некоторые заведения с высоким рейтингом имеют небольшое количество отзывов и низкую посещаемость, тогда как «скрытые жемчужины» с умеренным рейтингом демонстрируют рост клиентской базы. Автор публикует топ‑5 победителей и топ‑5 аутсайдеров, а также открытый репозиторий с кодом и датасетом.\n\nСтатья поднимает вопросы этики: использование публичных данных Google без явного согласия может нарушать условия сервиса, а модели могут усиливать существующие предвзятости в отзывах. Тем не менее, проект демонстрирует, как доступные инструменты позволяют построить полноценный pipeline от сбора данных до бизнес‑аналитики. Ссылка на оригинал: https://habr.com/ru/companies/ruvds/articles/1065044/