Fugu-MT 論文翻訳(概要): Property Business Classification Model Based on Indonesia E-Commerce Data

論文の概要: Property Business Classification Model Based on Indonesia E-Commerce Data

arxiv url: http://arxiv.org/abs/2102.12300v1
Date: Wed, 24 Feb 2021 14:29:34 GMT
ステータス: 処理完了
システム内更新日: 2023-04-10 01:06:27.151756
Title: Property Business Classification Model Based on Indonesia E-Commerce Data
Title（参考訳）: インドネシアのeコマースデータに基づく不動産事業分類モデル
Authors: Andry Alamsyah, Fariz Denada Sudrajat, Herry Irawan
Abstract要約: インドネシアのeコマース不動産事業は、2011年から2015年にかけて500%以上の売り上げが増加したことで、前向きな傾向を見せている。不動産販売の予測には,データマイニングにおいて,決定木とk-NNの2つの異なる分類手法を用いた。決定ツリーの精度は75%、KNNは71%であり、k-NNは決定ツリーよりも多くのデータパターンを探索できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Online property business or known as e-commerce is currently experiencing an increase in home sales. Indonesia's e-commerce property business has positive trending shown by the increasing sales of more than 500% from 2011 to 2015. A prediction of the property price is important to help investors or the public to have accurate information before buying property. One of the methods for prediction is a classification based on several distinctive property industry attributes, such as building size, land size, number of rooms, and location. Today, data is easily obtained, there are many open data from E-commerce sites. E-commerce contains information about homes and other properties advertised to sell. People also regularly visit the site to find the right property or to sell the property using price information which collectively available as open data. To predict the property sales, this research employed two different classification methods in Data Mining which are Decision Tree and k-NN classification. We compare which model classification is better to predict property price and their attributes. We use Indonesia's biggest property-based e-commerce site Rumah123.com as our open data source, and choose location Bandung in our experiment. The accuracy result of the decision tree is 75% and KNN is 71%, other than that k-NN can explore more data patterns than the Decision Tree.
Abstract（参考訳）: オンライン不動産事業やeコマースは、現在住宅販売が増加している。インドネシアのeコマース不動産事業は、2011年から2015年にかけて500%以上売れたことが好成績を示している。不動産価格の予測は、投資家や一般人が不動産を買う前に正確な情報を得るのを助けるために重要である。予測手法の1つは、建築規模、土地規模、部屋の数、立地など、いくつかの特有な特性産業特性に基づく分類である。現在、データは簡単に入手でき、Eコマースサイトから多くのオープンデータがある。電子商取引には、販売を宣伝する家やその他の資産に関する情報が含まれている。また、定期的にサイトを訪れて正しい資産を見つけたり、価格情報をまとめてオープンデータとして販売したりしている。そこで本研究では,データマイニングにおける決定木とk-nn分類の2つの異なる分類手法を用いた。資産価格とその属性を予測するために,どのモデル分類がよいかを比較する。インドネシア最大の不動産ベースのeコマースサイトrumah123.comをオープンデータソースとして使用し、実験ではロケーションバンドングを選択します。決定ツリーの精度は75%、KNNは71%であり、k-NNは決定ツリーよりも多くのデータパターンを探索できる。

関連論文リスト

Information Discovery in e-Commerce [97.71958017283593]
情報検索は、特に商品やサービスとの接続において、eコマースにおいて自然な役割を担っている。電子商取引サイトの人気が高まり、電子商取引における情報発見の研究が活発な研究分野となっている。電子商取引における情報発見手法は主に、電子商取引検索とレコメンデーションシステムの有効性の向上に重点を置いている。
論文参考訳（メタデータ） (2024-10-08T07:41:01Z)
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)
PATE: Property, Amenities, Traffic and Emotions Coming Together for Real Estate Price Prediction [4.746544835197422]
我々は、さまざまな社会経済特性の経済的貢献を評価するために、複数のデータソースを使用します。実験は北京の28,550戸で行われた。
論文参考訳（メタデータ） (2022-08-29T12:31:10Z)
Using Machine Learning to Evaluate Real Estate Prices Using Location Big Data [0.5033155053523041]
一般的な回帰モデルとツリーベースモデルの予測能力を向上させるために,モバイル位置情報が有効かどうかを検討する。本研究では,1週間あたり500m以内の利用者を収集した不動産データから,個別の資産にアタッチすることで,移動データを処理した。これらの動的国勢調査の特徴に加えて, 住民数, 通勤者数, 通勤者数, 住民数など, 静的な国勢調査特徴も含んでいた。
論文参考訳（メタデータ） (2022-05-02T19:58:18Z)
MugRep: A Multi-Task Hierarchical Graph Representation Learning Framework for Real Estate Appraisal [57.28018917017665]
正確な不動産評価のためのマルチタスク階層グラフ表現学習(MugRep)フレームワークを提案する。複数の都市データを取得し統合することにより、まず、複数の視点から不動産を包括的にプロファイルするリッチな特徴セットを構築する。進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールが提案され、不動産取引に非同期に時間的依存関係を組み込む。
論文参考訳（メタデータ） (2021-07-12T03:51:44Z)
PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文参考訳（メタデータ） (2021-05-04T15:23:59Z)
Sales Prediction Model Using Classification Decision Tree Approach For Small Medium Enterprise Based on Indonesian E-Commerce Data [0.0]
Tokopediaで収集した実生活データを用いて,インドネシアの履物業界における販売予測モデルを構築した。われわれは、視聴者が販売する商品数、価格、靴の種類を予測することができた。
論文参考訳（メタデータ） (2021-03-04T15:40:45Z)
OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文参考訳（メタデータ） (2021-02-18T09:20:26Z)
Machine Learning Approaches to Real Estate Market Prediction Problem: A Case Study [0.0]
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。
論文参考訳（メタデータ） (2020-08-22T22:28:58Z)
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。