Интерпретируемое машинное обучение для анализа рынка недвижимости

Машинное обучение (ML) превосходит большинство методов решения задач прогнозирования, однако его сложная непараметрическая структура ограничивает его применимость для вывода и прогнозов вне выборки. Цель данной статьи — раскрыть и расширить аналитические возможности ML в сфере недвижимости с помощью интерпретируемого машинного обучения (IML). В частности, мы сопоставляем гедонический подход на основе ML с набором методов интерпретации, не зависящих от модели. Наши результаты показывают, что методы IML позволяют заглянуть в «чёрный ящик» алгоритмического принятия решений, раскрывая сеть ассоциативных взаимосвязей между переменными с большей детализацией. В эмпирических приложениях мы подтверждаем, что размер и возраст являются наиболее важными факторами, определяющими арендную плату. Дальнейший анализ показывает, что определённые сочетания гедонических характеристик, например большие квартиры в исторических зданиях с балконами, расположенные в благополучных районах, обеспечивают более высокую арендную плату, чем простая сумма вкладов каждой отдельной гедонической характеристики. Для возраста здания выявлена U-образная зависимость: самые высокие арендные ставки наблюдаются как для самых новых, так и для самых старых зданий. Помимо выявления ценных функций затухания по расстоянию для пространственных переменных, методы IML позволяют визуализировать, как со временем изменяются сила и взаимодействия гедонических характеристик; инвесторы могут использовать эту информацию для определения типов активов, демонстрирующих наилучшие результаты на каждом этапе инвестиционного цикла на рынке недвижимости.