論文の概要: Predicting Residential Rents in Dakar Using Machine Learning

• arxiv url: http://arxiv.org/abs/2608.30865v1
• Date: Mon, 31 Aug 2026 14:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.443322
• Title: Predicting Residential Rents in Dakar Using Machine Learning
• Title（参考訳）: 機械学習を用いたダカールの住宅レンタル予測
• Abstract要約: ダカールの世帯の54.4%は賃借人であり、23.3%は全国的である。 本研究は,ダカールの住宅家賃を予測するための完全な機械学習パイプラインを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dakar's residential rental market remains poorly documented despite its economic and social importance: 54.4% of households are renters, compared to 23.3% nationally. This study develops a complete machine learning pipeline to predict residential rents in Dakar, from data collection to model interpretation. An original dataset of 1,507 rental listings was built through systematic web scraping and a documented cleaning pipeline, then enriched with four purpose-built features, including a luxury score and a keyword-based quality score. Five models were compared: linear regression, Random Forest (baseline), XGBoost, and LightGBM optimized through Bayesian optimization with Optuna, using leakage-free KFold target encoding for location. The optimized XGBoost model achieved the best performance with an $R^2$ of 0.847, an MAE of 210,902 XOF, and an RMSE of 324,195 XOF. Feature importance was assessed using native XGBoost gain and SHAP values, revealing a substantial difference in the ranking of location, which appears as a minor predictor by gain but as the second most influential variable by SHAP. This result carries methodological implications for hedonic studies using target-encoded categorical variables. This study provides an interpretable benchmark for Dakar's rental market and highlights several avenues for improvement, including the integration of geospatial features and conformal prediction.
• Abstract（参考訳）: ダカールの住宅ローン市場は、経済的・社会的重要性にもかかわらず、いまだに文書化されていない: 54.4%の世帯は、全国的に23.3%である。 本研究では,データ収集からモデル解釈まで,ダカールの住宅地代を予測するための完全な機械学習パイプラインを開発する。 最初の1,507件のレンタルリスティングデータセットは、システマティックWebスクレイピングと文書化されたクリーニングパイプラインを通じて構築され、その後、高級スコアとキーワードベースの品質スコアを含む4つの目的の機能を充実させた。 線形回帰、ランダムフォレスト(ベースライン)、XGBoost、LightGBMの5つのモデルを比較した。 最適化されたXGBoostモデルは、R^2$ 0.847、MAE 210,902 XOF、RMSE 324,195 XOFで最高の性能を達成した。 特徴をXGBoostゲインとSHAP値を用いて評価し,位置情報のランキングに有意差が認められた。 この結果は、ターゲットエンコードされたカテゴリ変数を用いたヘドニック研究の方法論的な意味を持つ。 この研究はダカールの賃貸市場における解釈可能なベンチマークを提供し、地理空間的特徴の統合やコンフォメーション予測など、改善のためのいくつかの道のりを強調している。

関連論文リスト

• Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
  CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。 70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
  論文  参考訳（メタデータ） (2026-08-27T19:19:07Z)
• Using Seismic Statistical Features and VQ-VAE to Improve Spatiotemporal Seismicity Predictability [1.1750235832534919]
  その結果,60の地震学的特徴(SSF)は,tsfreshパッケージの428の時系列特徴よりもはるかに高い予測値を示した。 VQ-VAEモデルのトレーニングにより得られた2次元地震図に基づく新しい特徴と,この実証されたSSFのセットを結合する。
  論文  参考訳（メタデータ） (2026-06-08T18:43:27Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions [3.738325076054202]
  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。
  論文  参考訳（メタデータ） (2025-08-05T07:00:42Z)
• Predicting House Rental Prices in Ghana Using Machine Learning [0.0]
  本研究では,ガーナの住宅賃貸価格予測における機械学習モデルの有効性について検討した。 CatBoost、XGBoost、Random Forestなど、さまざまなモデルのトレーニングと評価を行った。 CatBoostは最高のパフォーマンスモデルとして登場し、$R2$ 0.876を達成した。
  論文  参考訳（メタデータ） (2025-01-08T15:40:46Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• 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)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• 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)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。