📄Работа №206515
Тема: Разработка моделей прогнозирования цен на недвижимость методами машинного обучения
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
66 листов
Год:
2020
Просмотров:
40
4660
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
АННОТАЦИЯ 2
ВВЕДЕНИЕ 8
ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОЦЕССА КРЕДИТОВАНИЯ.. 11
1.1 Процесс кредитования 11
1.2 Анализ исследований 19
1.3 Постановка задачи 21
Выводы по разделу один 22
ГЛАВА 2 МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ
СРЕДСТВО РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 24
2.1 Деревья решений 24
2.2 Ансамбли 28
2.2.1 Стекинг 28
2.2.2 Бустинг 29
2.2.3 Беггинг 30
2.3 Нейронные сети 30
2.3.1 Свёрточные нейронные сети (CNN) 31
2.3.2 Рекуррентные нейронные сети 33
2.4 Ансамбли деревьев решений 34
2.4.1 Случайный лес 34
2.4.2 Г радиентный бустинг деревьев 36
Выводы по разделу два 37
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ЦЕН НА НЕДВИЖИМОСТЬ 39
3.1 Метрика качества модели 40
3.2 Случайный лес 41
3.3 Г радиентный бустинг 46
Выводы по разделу три 52
ГЛАВА 4 КОММЕРЦАЛИЗАЦИЯ ПРОЕКТА 54
4.1 Участники процесса коммерциализации 54
4.2 Выбор способа коммерциализации 57
4.3 Описание продукта 61
4.4 Дорожная карта коммерциализации проекта 61
4.5 Команда проекта 64
4.6 Ценообразование 64
Выводы по разделу четыре 67
ЗАКЛЮЧЕНИЕ 68
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 69
ВВЕДЕНИЕ 8
ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОЦЕССА КРЕДИТОВАНИЯ.. 11
1.1 Процесс кредитования 11
1.2 Анализ исследований 19
1.3 Постановка задачи 21
Выводы по разделу один 22
ГЛАВА 2 МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК ЭФФЕКТИВНОЕ
СРЕДСТВО РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 24
2.1 Деревья решений 24
2.2 Ансамбли 28
2.2.1 Стекинг 28
2.2.2 Бустинг 29
2.2.3 Беггинг 30
2.3 Нейронные сети 30
2.3.1 Свёрточные нейронные сети (CNN) 31
2.3.2 Рекуррентные нейронные сети 33
2.4 Ансамбли деревьев решений 34
2.4.1 Случайный лес 34
2.4.2 Г радиентный бустинг деревьев 36
Выводы по разделу два 37
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ЦЕН НА НЕДВИЖИМОСТЬ 39
3.1 Метрика качества модели 40
3.2 Случайный лес 41
3.3 Г радиентный бустинг 46
Выводы по разделу три 52
ГЛАВА 4 КОММЕРЦАЛИЗАЦИЯ ПРОЕКТА 54
4.1 Участники процесса коммерциализации 54
4.2 Выбор способа коммерциализации 57
4.3 Описание продукта 61
4.4 Дорожная карта коммерциализации проекта 61
4.5 Команда проекта 64
4.6 Ценообразование 64
Выводы по разделу четыре 67
ЗАКЛЮЧЕНИЕ 68
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 69
📖 Аннотация
В данной работе представлено исследование, посвященное разработке и сравнительному анализу моделей машинного обучения для прогнозирования рыночных цен на объекты жилой недвижимости. Актуальность исследования обусловлена возрастающей экономической значимостью недвижимости как товара и необходимостью в точных, объективных оценках для эффективного управления имуществом, кредитования и инвестиций, особенно в условиях уникальности каждого объекта и влияния множества разнородных факторов. Основным результатом работы является построенная модель градиентного бустинга (XGBoost), продемонстрировавшая наивысшую точность прогноза со среднеквадратической ошибкой 1.58, что превосходит результат альтернативной модели на основе случайного леса (MSE = 2.09). Научная значимость заключается в систематизации и адаптации современных алгоритмов машинного обучения, включая линейную регрессию, деревья решений, нейронные сети и ансамбли, для решения задачи регрессии в специфической предметной области. Практическая ценность работы подтверждается разработанным проектом коммерциализации, включающим дорожную карту и расчет затрат, что обосновывает возможность внедрения модели для автоматизации оценки в риелторских и финансовых организациях. Теоретической основой исследования послужили труды таких авторов, как Стерник Г.М., рассматривающий методологию моделирования жилищного рынка, Anglin P.M. с коллегами, анализировавшие взаимосвязь цены и времени экспозиции объекта, Yu D.L., применявший геостатистические методы, а также Schulz R. и соавторы, исследовавшие точность долгосрочных оценок недвижимости.
📖 Введение
В условиях развития рыночной экономики оценка недвижимости приобретает все большее значение Недвижимость является основой всех процессов жизнедеятельности общества, происходящих в политической, экономической, социальной, экологической и других сферах.
Адекватная оценка рыночной стоимости недвижимости представляет собой одно из важнейших условий нормального функционирования и развития экономики и общества. Необходимость в результатах объективной оценки недвижимости испытывают как государственные и муниципальные органы исполнительной власти в целях эффективного управления недвижимым имуществом, так и физические и юридические лица для более эффективного использования собственности.
По мере развития рыночных отношений в современной России недвижимость постепенно становится важнейшим товаром, то есть объектом хозяйственного оборота, и как любой товар недвижимость должна иметь потребительскую и рыночную стоимость.
Определение достойной стоимости недвижимости является одной из основных проблем. На стоимость объекта недвижимости влияют большой спектр параметров, как объективных (расстояние от метро, жилая площадь, этаж), так и более субъективных (экология района, надёжность застройщика).
Также необходимо учитывать факт уникальность объектов недвижимости так как практически невозможно найти два абсолютно идентичных объекта. Даже в том случае, когда здания построены по одному типовому проекту, но расположены на разных земельных участках, их стоимость может значительно отличаться.
Заблаговременно предсказанная стоимость недвижимости может стать ориентиром для потребителей и для финансовых учреждений.
Таким образом, все вышесказанное обуславливает актуальность данной темы.
В данной работе под термином прогнозирование понимается научное исследование конкретных перспектив развития какого-либо явления.
Объектом исследовательской работы является процесс кредитования населения.
Предметом исследования является процесс прогнозирования цен на
недвижимость.
Целью исследования является повышение эффективности процесса
прогнозирования цен на недвижимость.
Для достижения цели были поставлены следующие задачи:
1. Описание процесса кредитования;
2. Описание машинного обучения, его видов и алгоритмов;
3. Анализ и сравнение имеющихся прогнозных методов машинного обучения;
4. Формулировка требований к прогнозной модели;
5. Построение прогнозной модели;
6. Сравнительный анализ результатов прогнозирования;
7. Формирование плана коммерциализации.
Новизна работы заключается в том, что на основе комплексного анализа:
- Рассмотрены и проанализированы методы прогнозирования;
- Проведен сравнительный анализ методов;
- Разработана модель прогнозирования цен на недвижимость;
- Проведен сравнительный анализ результатов исследования, сделаны выводы даны рекомендации;
Практическая значимость работы обусловлена применением результатов исследования на практике, для снижения рисков деятельности финансовых предприятий.
Апробация работы:
1) Дымшакова Е.В. Предсказание колебания цен на недвижимость в нестабильной российской экономике / Е.В. Дымшакова // XXIV Международная научно-практическая конференция “Advances in science and technology” (2019);
2) Дымшакова Е.В. Разработка моделей прогнозирования цен на недвижимость методами машинного обучения / Е.В. Дымшакова // XXIV Международная научно-практическая конференция “Eurasiascience” (2019).
Адекватная оценка рыночной стоимости недвижимости представляет собой одно из важнейших условий нормального функционирования и развития экономики и общества. Необходимость в результатах объективной оценки недвижимости испытывают как государственные и муниципальные органы исполнительной власти в целях эффективного управления недвижимым имуществом, так и физические и юридические лица для более эффективного использования собственности.
По мере развития рыночных отношений в современной России недвижимость постепенно становится важнейшим товаром, то есть объектом хозяйственного оборота, и как любой товар недвижимость должна иметь потребительскую и рыночную стоимость.
Определение достойной стоимости недвижимости является одной из основных проблем. На стоимость объекта недвижимости влияют большой спектр параметров, как объективных (расстояние от метро, жилая площадь, этаж), так и более субъективных (экология района, надёжность застройщика).
Также необходимо учитывать факт уникальность объектов недвижимости так как практически невозможно найти два абсолютно идентичных объекта. Даже в том случае, когда здания построены по одному типовому проекту, но расположены на разных земельных участках, их стоимость может значительно отличаться.
Заблаговременно предсказанная стоимость недвижимости может стать ориентиром для потребителей и для финансовых учреждений.
Таким образом, все вышесказанное обуславливает актуальность данной темы.
В данной работе под термином прогнозирование понимается научное исследование конкретных перспектив развития какого-либо явления.
Объектом исследовательской работы является процесс кредитования населения.
Предметом исследования является процесс прогнозирования цен на
недвижимость.
Целью исследования является повышение эффективности процесса
прогнозирования цен на недвижимость.
Для достижения цели были поставлены следующие задачи:
1. Описание процесса кредитования;
2. Описание машинного обучения, его видов и алгоритмов;
3. Анализ и сравнение имеющихся прогнозных методов машинного обучения;
4. Формулировка требований к прогнозной модели;
5. Построение прогнозной модели;
6. Сравнительный анализ результатов прогнозирования;
7. Формирование плана коммерциализации.
Новизна работы заключается в том, что на основе комплексного анализа:
- Рассмотрены и проанализированы методы прогнозирования;
- Проведен сравнительный анализ методов;
- Разработана модель прогнозирования цен на недвижимость;
- Проведен сравнительный анализ результатов исследования, сделаны выводы даны рекомендации;
Практическая значимость работы обусловлена применением результатов исследования на практике, для снижения рисков деятельности финансовых предприятий.
Апробация работы:
1) Дымшакова Е.В. Предсказание колебания цен на недвижимость в нестабильной российской экономике / Е.В. Дымшакова // XXIV Международная научно-практическая конференция “Advances in science and technology” (2019);
2) Дымшакова Е.В. Разработка моделей прогнозирования цен на недвижимость методами машинного обучения / Е.В. Дымшакова // XXIV Международная научно-практическая конференция “Eurasiascience” (2019).
✅ Заключение
В ходе написания магистерской диссертационной работы, был рассмотрен процесс кредитования, рассмотрены факторы, влияющие на него, выявлена проблема, а также рассмотрена роль прогнозирования цен на недвижимость в рамках данного процесса. В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как линейная регрессия, дерево решений, заканчивая нейронными сетями и градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно нейронные сети и градиентный бустинг.
Была построена модели, модель градиентного бустинга Данная модель разрабатывалась с помощью библиотеки XGBoost, и дала среднеквадратическую ошибку равную 1.58. В качестве метода для сравнения использовался метод случайны лес. Данный метод при анализе дал среднеквадратическую ошибку равную 2.09.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Были произведены плановые расчеты затрат на реализацию проекта.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
Была построена модели, модель градиентного бустинга Данная модель разрабатывалась с помощью библиотеки XGBoost, и дала среднеквадратическую ошибку равную 1.58. В качестве метода для сравнения использовался метод случайны лес. Данный метод при анализе дал среднеквадратическую ошибку равную 2.09.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Были произведены плановые расчеты затрат на реализацию проекта.
Таким образом была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.