ПРИМЕНЕНИЕ МАШИННЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ НЕДВИЖИМОСТИ

  • Anna I. Pavlova Новосибирский государственный университет экономики и управления https://orcid.org/0000-0001-6159-1439
  • Alexander A. Korzh Новосибирский государственный университет экономики и управления
Ключевые слова: искусственные нейронные сети, градиент, недвижимость, прогнозирование

Аннотация

Цель – анализ методов машинного обучения для прогнозирования стоимости жилой недвижимости.

Метод или методология проведения работы: в статье использованы методы машинного обучения обучения глубоких нейронных сетей: стохастический градиентный спуск (SGD), метод адаптивного градиента (Adagrad), метод адаптивного скользящего среднего градиентов (RMSprop), метод адаптивного шага обучения (Adadelta), метод Адама (Adam).

Результаты: построена модель обучения нейронной сети для прогнозирования стоимости жилой недвижимости. В качестве предикторов использована информация о площади земельного участка, количестве спален, количество и качество ванных комнат, оценку общего качества жилья, оценку состояния жилой недвижимости, количество каминов, площади гаража, общее количество комнат. Анализ точности алгоритмов машинного обучения показал, что меньшие ошибки получены при использовании метода адаптивного скользящего среднего градиентов (RMSprop).

Область применения результатов: полученные результаты целесообразно применять при прогнозировании стоимости жилой недвижимости.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Anna I. Pavlova, Новосибирский государственный университет экономики и управления

кандидат технических наук, доцент

Alexander A. Korzh, Новосибирский государственный университет экономики и управления

PhD (technical sciences), associate professor

Литература

Osovskiy S. Neyronnye seti dlya obrabotki informatsii [Neural networks for information processing]. 2002, p. 345.

Khaykin S. Neyronnye seti [Neural networks]. M.: Izdatel’skiy dom Vil’yams, 2006, 1001 p.

Ezhov A. A. Neyrokomp’yuting i ego primenenie v ekonomike i biznese: ucheb. posobie / A. A. Ezhov, S. A. Shumskiy. M.: MIFI, 1998. 224 s.

Sternik S.G., Sternik G.M. Zhilishchnye strategii, 2018, vol. 5, no. 2, pp. 138-152.

Sternik G.M., Sternik S.G., Sviridov A.V. Mekhanizatsiya stroitel’stva, 2014, no. № 2(836), pp. 60-64.

Housepise. https://www.kaggle.com/moewie94/housepricedata?select=housepricedata.csv

Caplin A., Chopra S., Leahy J., LeCun Y., Thampy T. Machine Learning and the Spatial Structure of House Prices, 2016, 163 p.

Winky K.O. Ho, Bo-Sin Tang, Siu Wai Wong Predicting property prices with machine learning algorithms. Journal of Property Research, 2021, vol. 38, no. 1, pp. 48-70. DOI: https://doi.org/10.1080/09599916.2020.1832558

Gu, J., Zhu, M., & Jiang, L. Housing price forecasting based on genetic algorithm and support vector machine. Expert System with Applications, 2011, vol. 38(4), pp. 3383–3386. DOI: https://doi.org/10.1016/j.eswa.2010.08.123

Limsombunchai, V., Gan, C., Lee M. House price prediction: Hedonic price model vs. artificial neural network. American Journal of Applied Sciences, 2000, vol. 1(3), pp. 193–201. DOI: https://doi.org/10.3844/ajassp.2004.193.201

Mu, J. Y., Wu, F., Zhang A. H. Housing value forecasting based on machine learning methods. Abstract and Applied Analysis, 2014. Article ID 648047. DOI: http://dx.doi.org/10.1155/2014/648047

Sozykin A.V. Vestnik YuUrGU. Ser. Vychislitel’naya matematika i informatika, 2017, vol. 6, no. 3, pp. 28-59.

Robinds H., Monro S. A stochastic approximation method. Annals of Mathematical Statistics, 1951, vol. 22, pp. 400-407.

Zhang Y. R., Haghani, A. A gradient boosting method to improve travel time prediction. Transportation Research Part C: Emerging Technologies, 2015, no. 58, pp. 308–324. DOI: https://doi.org/10.1016/j. trc.2015.02.019

Christian Igel and Michael Hüsken Improving the Rprop Learning Algorithm. 2000. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.17.1332

Zeiler M. D. ADADELTA: An Adaptive Learning Rate Method. Retrieved, 2021. http://arxiv.org/abs/1212.5701

Kingma D. P., Ba J. L. Adam: a Method for Stochastic Optimization. International Conference on Learning Representations, 2017, pp. 1-13. https://arxiv.org/pdf/1412.6980.pdf

An introduction to machine learning with scikit-learn. https://scikit-learn.org/stable/tutorial/basic/tutorial.html#machine-learning-the-problem- setting

Tensorflow. https://www.tensorflow.org/


Просмотров аннотации: 73
Загрузок PDF: 44
Опубликован
2021-12-30
Как цитировать
Pavlova, A., & Korzh, A. (2021). ПРИМЕНЕНИЕ МАШИННЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ НЕДВИЖИМОСТИ. Наука Красноярья, 10(4), 171-180. https://doi.org/10.12731/2070-7568-2021-10-4-171-180
Раздел
Экономические исследования