Применение машинного обучения для анализа рынка жилой недвижимости и прогнозирования стоимости объектов

Основной вопрос исследования заключался в следующем: какая модель машинного обучения точнее всего прогнозирует стоимость объектов жилой недвижимости? Целью исследования являлся расширенный анализ рынка недвижимости, который включал количественное влияние различных факторов в денежном выражении оцененное при помощи машинного обучения, с применением таких моделей, как: дерево принятия решений, случайный лес, градиентный бустинг, полносвязная нейронная сеть и ансамбль стекинг Изменение цен на рынке недвижимости всегда вызывало интерес у экономических агентов. Центральный банк должен быть осведомлен о движениях на данном рынке, поскольку запоздалая реакция может привести к повышению инфляции. Владельцы жилья, желающие продать свой актив, опасаются обозначить стоимость ниже справедливой, в тоже время покупатели боятся переплатить. На данный момент, не смотря на растущий тренд применения алгоритмов машинного обучения к анализу рынка недвижимости, работ проведенных в территориальных рамках России, не так много. В работе, помимо большее обширной методологии, повышению валидности результатов способствовали: большее количество метрик по измерению точности (MAE, MAPE и RMSLE), а также временная кросс валидация для оптимизации моделей и подбора лучших гиперпараметров, с целью обобщить результаты для их дальнейшего применения. В результате можно увидеть, что лучшим подходом к прогнозированию цен на рынке недвижимости г. Санкт-Петербург можно назвать ансамбль стекинг экстремального градиентного бустинга и полносвязной нейронной сети. Полученные выводы имеют важное значение для заинтересованных сторон на рынке недвижимости Санкт-Петербурга, включая покупателей, продавцов, инвесторов и макроэкономических агентов, таких как Центральный Банк и Правительство РФ. Предоставляя подход к оценке имущества на основе данных, исследование может способствовать принятию более обоснованных решений в этой сфере.