論文の概要: Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions
- arxiv url: http://arxiv.org/abs/2508.03156v1
- Date: Tue, 05 Aug 2025 07:00:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.827584
- Title: Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions
- Title（参考訳）: 店舗価格予測のための2段階クラスタ分析
- Authors: Paul Gümmer, Julian Rosenberger, Mathias Kraus, Patrick Zschech, Nico Hambauer,
- Abstract要約: 住宅価格のバリュエーションは、ローカライズされた市場の変動のため、依然として困難である。
既存のアプローチはしばしば、解釈可能性に欠けるブラックボックス機械学習モデルに依存している。
本稿では,2段階のクラスタリングを応用した機械学習手法を提案する。
- 参考スコア（独自算出の注目度）: 3.738325076054202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: House price valuation remains challenging due to localized market variations. Existing approaches often rely on black-box machine learning models, which lack interpretability, or simplistic methods like linear regression (LR), which fail to capture market heterogeneity. To address this, we propose a machine learning approach that applies two-stage clustering, first grouping properties based on minimal location-based features before incorporating additional features. Each cluster is then modeled using either LR or a generalized additive model (GAM), balancing predictive performance with interpretability. Constructing and evaluating our models on 43,309 German house property listings from 2023, we achieve a 36% improvement for the GAM and 58% for LR in mean absolute error compared to models without clustering. Additionally, graphical analyses unveil pattern shifts between clusters. These findings emphasize the importance of cluster-specific insights, enhancing interpretability and offering practical value for buyers, sellers, and real estate analysts seeking more reliable property valuations.
- Abstract（参考訳）: 住宅価格のバリュエーションは、ローカライズされた市場の変動のため、依然として困難である。
既存のアプローチは、解釈可能性に欠けるブラックボックス機械学習モデルや、市場の不均一性を捉えるのに失敗する線形回帰(LR)のような単純化された手法に依存していることが多い。
そこで本研究では,2段階のクラスタリングを適用した機械学習手法を提案する。
それぞれのクラスタはLRまたは一般化付加モデル(GAM)を使用してモデル化され、予測性能と解釈可能性のバランスをとる。
2023年からの43,309件のドイツの住宅物件リスト上でのモデルの構築と評価を行い,クラスタリングのないモデルと比較して,GAMでは36%,LRでは58%の改善を実現した。
さらに、グラフィカル分析では、クラスタ間のパターンシフトが明らかにされている。
これらの知見は、クラスタ固有の洞察の重要性を強調し、解釈可能性を高め、買い手、売り手、不動産アナリストに対してより信頼性の高い資産評価を求める実用的な価値を提供する。
関連論文リスト
- Act-With-Think: Chunk Auto-Regressive Modeling for Generative Recommendation [49.45822979879046]
ジェネレーティブレコメンデーション(GR)は通常、アイテム情報の振る舞いや意味的な側面を離散トークンにエンコードする。
本稿では,Chunk AutoRegressive Modeling(CAR)について紹介する。
論文 参考訳（メタデータ） (2025-06-30T09:13:54Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Unearthing Skill-Level Insights for Understanding Trade-Offs of Foundation Models [61.467781476005435]
集約精度を検査する際には、スキルワイドのパフォーマンスが不明確になる。
モデル生成論理を検査することで,任意の評価事例に関連する基礎的スキルを復元する自動手法を提案する。
私たちのスキルスライスとフレームワークは、モデル評価の新しい道を開き、スキル固有の分析を活用して、よりきめ細やかで実用的なモデル機能の理解を解き放ちます。
論文 参考訳（メタデータ） (2024-10-17T17:51:40Z) - From Predictive Importance to Causality: Which Machine Learning Model Reflects Reality? [0.0]
SHAPに基づく特徴量と因果的特徴量との間には,中程度のスピアマンランク相関が0.48であることがわかった。
この研究は、予測力と不動産評価の因果的な洞察を組み合わせた統合的なアプローチの必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-09-01T22:37:47Z) - Utilizing Model Residuals to Identify Rental Properties of Interest: The
Price Anomaly Score (PAS) and Its Application to Real-time Data in Manhattan [0.0]
2023年9月現在、マンハッタンで利用可能なすべての不動産のデータを収集し、モデル残高の理解を深めることを目的としている。
これらの知見を活用するために、不規則に予測される価格のバウンダリを捕捉できる指標であるPrice Anomaly Score(PAS)を導入する。
論文 参考訳（メタデータ） (2023-11-29T00:14:30Z) - Measuring Self-Supervised Representation Quality for Downstream
Classification using Discriminative Features [56.89813105411331]
我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。
本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。
Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
論文 参考訳（メタデータ） (2022-03-03T17:48:23Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。
本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
論文 参考訳（メタデータ） (2021-08-10T14:46:17Z) - Explaining a Series of Models by Propagating Local Feature Attributions [9.66840768820136]
複数の機械学習モデルを含むパイプラインは、多くの領域でパフォーマンスが向上するが、理解が難しい。
Shapley値への接続に基づいて、モデルの複雑なパイプラインを通じてローカル機能属性を伝播させるフレームワークを紹介します。
本フレームワークにより,アルツハイマー病および乳癌の組織学的診断における遺伝子発現特徴群に基づく高次結論の導出が可能となった。
論文 参考訳（メタデータ） (2021-04-30T22:20:58Z) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳（メタデータ） (2020-05-06T01:51:30Z)
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。