ПРИМЕНЕНИЕ МАШИННЫХ АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ НЕДВИЖИМОСТИ
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
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: 251 Загрузок PDF: 177
Copyright (c) 2021 Anna I. Pavlova, Alexander A. Korzh
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
