Методы машинного обучения в исследовании рынка жилой недвижимости
Автор: Родионов Д.Г., Чан Х.Х., Конников Е.А., Унгвари Л.
Журнал: Известия Санкт-Петербургского государственного экономического университета @izvestia-spgeu
Рубрика: Методология и инструментарий управления
Статья в выпуске: 6-2 (144), 2023 года.
Бесплатный доступ
В статье рассматривается методологическая специфика анализа цен объектов недвижимость в разрезе современных методов машинного обучения. Центральной проблемой данного анализа является вариативная природа региональной специфики, которая может быть описана множеством способов. В рамках данного исследования представлен анализ эффективности трех подходов к описанию данной специфики, дифференцированных в соответствии со спецификой распределения данных. Результаты сравнительного анализа также дифференцированы в разрезе методов машинного обучения.
Машинное обучение, линейная регрессия, градиентный бустинг, случайные леса, деревья решений, стоимость объекта недвижимости
Короткий адрес: https://sciup.org/148327781
IDR: 148327781
Machine learning methods in residential real estate market research
This scientific article discusses the methodological specifics of analyzing real estate property prices with regards to modern machine learning methods. The central issue of this analysis is the variable nature of regional specifics, which in turn can be described in a multitude of ways. In the context of this study, an analysis of the effectiveness of 3 approaches to describing this specificity, differentiated in accordance with the specifics of data distribution, is presented. The results of the comparative analysis are also differentiated across the methods of machine learning.
Список литературы Методы машинного обучения в исследовании рынка жилой недвижимости
- Suat Т., Onden 1. Evaluation of real estate decisions by spatial information // International Journal of Engineering Management and Economics. 2016. № 6. Р. 19-37.
- Santos E. et al.Comparative Analysis of the Importance of Determining Factors in the Choice and Sale of Apartments // Sustainability. 2021. № 13 (16). Р. 8731.
- Конников Е.А. и др. Влияние информационной среды региональной социально-экономической системы на потребление алкоголя населением // Информационные системы и технологии. 2021. № 3 (125). С. 44-49.
- Cauchois M. STATS 50: Mathematics of Sport Spring 2019. Week 2 - Linear Regression. 2019.
- Thomas T. et al. Applications of Decision Trees. 2019.
- Griesbach C. et al. Gradient boosting for linear mixed models // The International Journal of Biostatistics. 2020. № 17. Р. 317-329.
- Olson M. Essays on Random Forest Ensembles. 2018.
- Родионов Д.Г. и др. Автоматизированный алгоритм квантификации информационной среды финансового рынка // Экономические науки. 2022. № 212. С. 134-139. EDN: KPVWCS
- Schluchter M.D. Mean Square Error. Wiley StatsRef: Statistics Reference Online. 2014.
- Peng J., Aved A. Approximate regularized least squares algorithm for classification // Defense + Security. 2018.
