Использование моделей машинного обучения и фактических данных о сделках для прогнозирования цен на недвижимость

Прогнозирование цен на недвижимость имеет важное значение для разработки политики в сфере недвижимости и может помочь владельцам недвижимости и агентам принимать обоснованные решения. Целью данного исследования является использование фактических данных о сделках и моделей машинного обучения для прогнозирования цен на недвижимость. Фактические данные о сделках содержат характеристики объектов недвижимости и цены сделок, которые в моделях машинного обучения выступают соответственно в качестве независимых и зависимой переменных. В исследовании использовались четыре модели машинного обучения: регрессия методом наименьших квадратов на опорных векторах (LSSVR), дерево классификации и регрессии (CART), обобщённые регрессионные нейронные сети (GRNN) и нейронные сети с обратным распространением ошибки (BPNN), предназначенные для прогнозирования цен на недвижимость. Кроме того, для выбора параметров моделей машинного обучения применялись генетические алгоритмы. Численные результаты показали, что регрессия методом наименьших квадратов на опорных векторах превосходит три другие модели машинного обучения по точности прогнозирования. Кроме того, прогнозы, полученные с помощью регрессии методом наименьших квадратов на опорных векторах, превосходят результаты предыдущих исследований по прогнозированию цен на недвижимость с точки зрения средней абсолютной процентной ошибки. Таким образом, модель на основе машинного обучения представляет собой эффективный и практически осуществимый подход к прогнозированию цен на недвижимость, а регрессия методом наименьших квадратов на опорных векторах обеспечивает сравнительно конкурентоспособные и удовлетворительные результаты.