Прогнозирование цен на жилье с использованием гедонической модели ценообразования и методов машинного обучения
House price prediction using hedonic pricing model and machine learning techniques
2022-09-22
SCID: 54.1/68vurna7
Discuss with AI
XGBoostгедоническая модель ценообразованияпрогнозирование цен на жильестатистика суммы выбросовоценка недвижимости
Figures from the paper
Abstract (AI)
Проблема оценки недвижимости чрезвычайно сложна. Трудно объективно смоделировать процесс ценообразования или справедливо оценить стоимость объекта недвижимости. Эту сложность обусловливают многие факторы, включая пространственные и временные факторы. Оценщики и исследователи на протяжении веков пытались моделировать данный процесс. До недавнего времени системы автоматизированной оценки обеспечивали более эффективные решения для анализа данных и оценки недвижимости. Тем не менее они могут характеризоваться низкой прозрачностью, неточностью и неэффективностью. В настоящем исследовании изучается способность методов машинного обучения (MLT) повышать эффективность экономической деятельности за счет увеличения точности прогнозирования цен на жилье. В статье алгоритм XGBoost интегрирован с подходом статистики суммы выбросов (OS). В индустрии недвижимости цены на объекты недвижимости играют ключевую роль в экономическом росте. В исследовании предпринимается попытка прогнозировать цены на жилье с использованием методов машинного обучения. В частности, цены на недвижимость прогнозируются с помощью алгоритма экстремального градиентного бустинга (XGBoost) и гедонической регрессии ценообразования. Обе модели — XGBoost и гедоническая модель ценообразования — используют 13 переменных в качестве входных данных для прогнозирования цен на жилье. Научный вклад исследования заключается в демонстрации практической применимости метода XGBoost для прогнозирования цен на жилье. Наконец, приводятся показатели точности алгоритмов прогнозирования: алгоритм XGBoost демонстрирует наивысшую точность — 84,1%, тогда как точность алгоритма гедонической регрессии составляет 42%.
Key Findings
1
Модели XGBoost и гедонической регрессии используют 13 переменных для оценки стоимости недвижимости.
2
Результаты показывают, что XGBoost может повысить практичность и точность автоматизированной оценки жилья по сравнению с гедоническим ценообразованием.
3
Модель гедонической регрессии продемонстрировала значительно более низкую точность — 42%.
4
В исследовании алгоритм XGBoost объединён с подходом статистики суммы выбросов для прогнозирования цен на жильё.
5
Алгоритм XGBoost показал наивысшую заявленную точность прогнозирования — 84,1%.
Research Object
цены на жильё на рынке недвижимости
Research Subject
точность прогнозирования и сравнительная эффективность моделей машинного обучения на основе XGBoost и гедонической регрессии при прогнозировании цен на жильё по 13 характеристикам недвижимости
Publication Details
Publication Date
2022-09-22
Journal
Publisher
ISSN
Cited by
78
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью3
Автоматизированные модели оценки земли: сравнительное исследование четырех методов машинного обучения и глубокого обучения на основе комплексного набора влиятельных факторов2024
Сравнение автоматизированных моделей оценки недвижимости в Столичном регионе Сантьяго: исследование алгоритмов машинного обучения и гедонического ценообразования с пространственными корректировками2025
Интерпретируемое машинное обучение, не зависящее от модели, для оценки стоимости жилой недвижимости2023