論文の概要: Machine Learning Approaches to Real Estate Market Prediction Problem: A Case Study

• arxiv url: http://arxiv.org/abs/2008.09922v1
• Date: Sat, 22 Aug 2020 22:28:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 08:11:49.198731
• Title: Machine Learning Approaches to Real Estate Market Prediction Problem: A Case Study
• Title（参考訳）: 不動産市場予測問題に対する機械学習のアプローチ--事例研究
• Authors: Shashi Bhushan Jha, Vijay Pandey, Rajesh Kumar Jha, Radu F. Babiceanu
• Abstract要約: 本研究は,2010年1月から2019年11月までの10年間の実際のデータセットを用いた不動産価格分類モデルを開発する。 開発モデルは不動産投資家、住宅ローン貸付業者、金融機関がより良い情報的判断を下すよう促すことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Home sale prices are formed given the transaction actors economic interests, which include government, real estate dealers, and the general public who buy or sell properties. Generating an accurate property price prediction model is a major challenge for the real estate market. This work develops a property price classification model using a ten year actual dataset, from January 2010 to November 2019. The real estate dataset is publicly available and was retrieved from Volusia County Property Appraiser of Florida website. In addition, socio-economic factors such as Gross Domestic Product, Consumer Price Index, Producer Price Index, House Price Index, and Effective Federal Funds Rate are collected and used in the prediction model. To solve this case study problem, several powerful machine learning algorithms, namely, Logistic Regression, Random Forest, Voting Classifier, and XGBoost, are employed. They are integrated with target encoding to develop an accurate property sale price prediction model with the aim to predict whether the closing sale price is greater than or less than the listing sale price. To assess the performance of the models, the accuracy, precision, recall, classification F1 score, and error rate of the models are determined. Among the four studied machine learning algorithms, XGBoost delivers superior results and robustness of the model compared to other models. The developed model can facilitate real estate investors, mortgage lenders and financial institutions to make better informed decisions.
• Abstract（参考訳）: 住宅販売価格は、政府、不動産ディーラー、および不動産を売買する一般市民を含む取引業者の経済的利益に応じて形成される。 正確な不動産価格予測モデルを生成することは不動産市場にとって大きな課題である。 本研究は,2010年1月から2019年11月までの10年間の実際のデータセットを用いた物価分類モデルを構築した。 不動産データセットはVolusia County Property Appraiser of Floridaのウェブサイトから公開されている。 また、国内総生産(gdp)、消費者物価指数、生産者物価指数、住宅物価指数、有効連邦資金率などの社会経済的要因を、予測モデルにおいて収集して使用する。 このケーススタディ問題を解決するために、ロジスティック回帰、ランダムフォレスト、投票分類器、XGBoostといった強力な機械学習アルゴリズムが採用されている。 ターゲットエンコードと統合して正確な資産売却価格予測モデルを構築し、閉店価格が上場販売価格より大きいか否かを予測する。 モデルの性能を評価するために、モデルの精度、精度、リコール、分類F1スコア、エラー率を決定する。 4つの研究された機械学習アルゴリズムのうち、XGBoostは他のモデルと比較して優れた結果と堅牢性を提供する。 開発モデルは不動産投資家、住宅ローン貸付業者、金融機関がより良い情報的判断を下すよう促すことができる。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• An Optimal House Price Prediction Algorithm: XGBoost [0.0]
  住宅価格の予測にはさまざまな機械学習技術を使用します。 住宅コストに影響を与える重要な要因を特定します。 XGBoostは住宅価格予測の最高のパフォーマンスモデルだ。
  論文  参考訳（メタデータ） (2024-02-06T15:36:06Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Predicting housing prices and analyzing real estate market in the Chicago suburbs using Machine Learning [0.0]
  パンデミック後の市場はシカゴ郊外地域でボラティリティを経験しており、住宅価格に大きな影響を与えた。 この研究は、ナパービル/ボリングブルック不動産市場において、これらの住宅属性に基づいて、機械学習モデルを用いて不動産価格を予測するために行われた。 その結果,XGBoostモデルでは,ポストパンデミック条件による付加的なボラティリティにもかかわらず,住宅価格の予測に最適であることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T14:41:53Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
  株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。 本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
  論文  参考訳（メタデータ） (2021-06-17T17:15:02Z)
• Towards robust and speculation-reduction real estate pricing models based on a data-driven strategy [0.0]
  本稿では,機械学習に基づくデータ駆動型不動産価格モデルを提案する。 2016年から2020年にかけて収集されたBogot'aの178,865のフラットリストでモデルを検証した。 その結果、提案した最先端モデルが不動産価格を推定する上で堅牢で正確であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-26T15:54:07Z)
• Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market [75.28009817291752]
  自動資産評価のための最初の寿命予測モデルであるLuceを提示する。 ルースは不動産価格の2つの重要な問題に対処している。 トロント不動産市場から得られた大規模な実生活データセットにLuceを適用することで,Luceのメリットを実証する。
  論文  参考訳（メタデータ） (2020-08-12T07:32:16Z)
• Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study [0.0]
  2015年1月から2019年11月までの62,723件の住宅データセットはフロリダ・ボルシア郡資産評価協会のウェブサイトから取得されている。 XGBoostアルゴリズムは住宅価格を予測するために他のモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-06-17T18:16:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。