論文の概要: Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models

• arxiv url: http://arxiv.org/abs/2405.17505v1
• Date: Sun, 26 May 2024 07:01:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 23:50:45.007827
• Title: Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models
• Title（参考訳）: 機械学習手法と大規模言語モデルを用いた上海のレーン住宅のレンタル価格予測
• Authors: Tingting Chen, Shijing Si,
• Abstract要約: 上海を含む大都市に住む若者の間では、住宅が重要な関心事となっている。 本研究では,複数線形回帰(MLR),リッジ回帰(RR),ラッソ回帰(LR),決定木(DT),ランダム森林(RF)の5つの従来の機械学習手法を利用する。 この手法を用いて2021年に上海で約2,609レーンの住宅賃貸取引の公開データを調べ、その結果を比較した。
• 参考スコア（独自算出の注目度）: 13.076383543925864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Housing has emerged as a crucial concern among young individuals residing in major cities, including Shanghai. Given the unprecedented surge in property prices in this metropolis, young people have increasingly resorted to the rental market to address their housing needs. This study utilizes five traditional machine learning methods: multiple linear regression (MLR), ridge regression (RR), lasso regression (LR), decision tree (DT), and random forest (RF), along with a Large Language Model (LLM) approach using ChatGPT, for predicting the rental prices of lane houses in Shanghai. It applies these methods to examine a public data sample of about 2,609 lane house rental transactions in 2021 in Shanghai, and then compares the results of these methods. In terms of predictive power, RF has achieved the best performance among the traditional methods. However, the LLM approach, particularly in the 10-shot scenario, shows promising results that surpass traditional methods in terms of R-Squared value. The three performance metrics: mean squared error (MSE), mean absolute error (MAE), and R-Squared, are used to evaluate the models. Our conclusion is that while traditional machine learning models offer robust techniques for rental price prediction, the integration of LLM such as ChatGPT holds significant potential for enhancing predictive accuracy.
• Abstract（参考訳）: 上海を含む大都市に住む若者の間では、住宅が重要な関心事となっている。 このメトロポリスの不動産価格が前代未聞の急騰に乗じて、若者は住宅需要に対処するために賃貸市場を頼りにしている。 本研究では,複数線形回帰 (MLR), 隆起回帰 (RR), ラッソ回帰 (LR), 決定木 (DT), ランダム林 (RF), およびChatGPTを用いた大規模言語モデル (LLM) による上海のレーン住宅の賃貸価格の予測を行う。 この手法を用いて2021年に上海で約2,609レーンの住宅賃貸取引の公開データを調べ、その結果を比較した。 予測力の面では、RFは従来の手法の中で最高の性能を達成している。 しかし、LLMアプローチは、特に10ショットのシナリオでは、R-Squared値の点で従来の手法を超える有望な結果を示している。 平均二乗誤差(MSE)、平均絶対誤差(MAE)、R-Squaredの3つのパフォーマンス指標を用いてモデルを評価する。 我々の結論は、従来の機械学習モデルはレンタル価格予測のための堅牢な技術を提供するが、ChatGPTのようなLLMの統合は予測精度を高める重要な可能性を持っているということだ。

関連論文リスト

• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• PanGu-$\pi$: Enhancing Language Model Architectures via Nonlinearity Compensation [97.78045712375047]
  大規模言語モデル(LLM)のための新しい効率的なモデルアーキテクチャを提案する。 そこで,PanGu-$pi$-7Bは,約10%の推論速度を持つベンチマークに匹敵する性能が得られることを示す。 さらに,PanGu-$pi$-7Bを金融法と法律の高価値領域に導入し,実践的応用のためにYunShanというLLMを開発した。
  論文  参考訳（メタデータ） (2023-12-27T11:49:24Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
  我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。 トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。 NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
  論文  参考訳（メタデータ） (2023-04-14T00:45:01Z)
• 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)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks [0.0]
  本稿では,綿と油の価格の予測にリカレントニューラルネットワーク(RNN)を適用した。 機械学習の手法は, 適切にデータに適合するが, 体系的に古典的手法を上回らないことを示す。
  論文  参考訳（メタデータ） (2021-01-08T16:28:19Z)
• A Comparison of Statistical and Machine Learning Algorithms for Predicting Rents in the San Francisco Bay Area [0.0]
  本稿では,予測精度を重要視するユースケースについて述べるとともに,ランダムな森林回帰を複数の回帰と比較する。 我々は、ほぼ局所的なアクセシビリティ変数を用いて、両方のモデルから有用な予測を得られることを発見した。
  論文  参考訳（メタデータ） (2020-11-26T08:50:45Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)

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。