ПЕРЕДБАЧЕННЯ ВАРТОСТІ ЗЕМЛІ СІЛЬСЬКОГОСПОДАРСЬКОГО ПРИЗНАЧЕННЯ ЗА ДОПОМОГОЮ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.36994/2788-5518-2023-01-05-19Ключові слова:
машинне навчання, передбачення вартості землі, прогнозне моделювання, методи LightGBM, Fast Tree, Fast ForestАнотація
Після запуску ринку землі в Україні питання визначення ринкової вартості землі стало більш нагальним. Використання методів машинного навчання дозволяє пришвидшити та спростити передбачення вартості. В даній роботі буде застосовано методи машинного навчання для передбачення вартості землі сільськогосподарського призначення в Україні. Існує декілька досліджень які описують цю задачу, але на прикладі інших країн. Набір даних для машинного навчання зібрано з мережі Інтернет і включає в себе 800 рядків (для деяких атрибутів є пропуски даних). Зроблено огляд проблем збору таких даних. В роботі передбачення вартості землі виконане за допомогою методів машинного навчання LightGBM, Fast Tree, Fast Forest. З початкового набору даних (D1) створено три додатковий: без даних про оренду землі (D2), без даних про нормативно-грошову оцінку (НГО) (D3) та без даних про оренду та НГО (D4). Використання методу LightGBM має найкращі результати передбачення, але у деяких випадках Fast Tree наближується до LightGBM по якості. Видалення НГО з набору даних для навчання покращує якість передбачення. Також, після додаткових розрахунків виявилося, що кореляція між ринковою вартістю та НГО відсутня. Також, на відміну від передбачення вартості нерухомості, використання методів градієнтного бустінгу надає кращі результати для передбачення вартості землі. Як і в інших статтях коректне передбачення визначено як передбачення, що має не більше 10% похибки. В залежності від набору даних та обраного метода машинного навчання якість передбачення складає від 35% до 92% коректних передбачень, що близько до результатів опублікованих в попередніх дослідженнях для інших країн. Оглянуто наявні обмеження дослідження та наведено можливі шляхи покращення якості передбачення вартості землі для наведених методів машинного навчання. Зокрема, подальше розширення набору даних (як по кількості рядків, так і по кількості атрибутів) повинно покращити якість передбачення.
Посилання
Черевко Г., Грисьо. М. ОЦІНКА І ЦІНА ЗЕМЛІ В УКРАЇНІ ТА ДОСВІД КРАЇН ЄВРОПИ / Г. Черевко, М. Грисьо. // Наукові записки Національного університету «Острозька академія». Серія «Економіка». – 2023. – №28. – С. 4–13.
Machine-Learning-Based Prediction of Land Prices in Seoul, South Korea / K.Jungsun, W. Jaewoong, K. Hyeongsoon, H. Joonghyeok. // Sustainability. – 2021. – №13(23).
Yunjong K. Applying Comparable Sales Method to the Automated Estimation of Real Estate Prices / K. Yunjong, C. Seungwoo, Y. Mun Yong. // Sustainability. – 2020. – №12(14).
Crosby N. Property valuation variation and the 'margin of error' in the UK / N. Crosby, A. Lavers, J. Murdoch. // Journal of Property Research. – 1998. – №15. – С. 305–330.
Watkins C. The definition and identification of housing submarkets / Craig Watkins. // Environment and Planning. – 2001. – №33. – С. 2235 – 2253.
Challenges to Use Machine Learning in Agricultural Big Data: A Systematic Literature Review / A.Cravero, S. Pardo, S. Sepulveda, L. Munoz. // 2022. – №12.
Evaluate your ML.NET model with metrics [Електронний ресурс] // microsoft.com. – 2023. – Режим доступу до ресурсу: https://learn.microsoft.com/en-us/dotnet/machine-learning/resources/metrics.
A Fully Automated Adjustment of Ensemble Methods in Machine Learning for Modeling Complex Real Estate Systems / [J. Alfaro-Navarro, E. Cano, E. Alfaro-Cortes та ін.]. // Complexity. – 2020. – №2020. – С. 1–12.
Quang T. Housing Price Prediction via Improved Machine Learning Techniques / T. Quang, N. Minh, D. Hy. // Procedia Computer Science. – 2020. – №174. – С. 433–442.
What Is Comparative Market Analysis (CMA) in Real Estate? [Електронний ресурс] // Investopedia. – 2022. – Режим доступу до ресурсу: https://www.investopedia.com/terms/c/comparative-market-analysis.asp.
