An Optimal House Price Prediction Algorithm: XGBoost

要約

住宅価格の正確な予測は、不動産や住宅ローン融資を含むさまざまなセクターにとって基本的な要件です。
不動産の価値はその物理的特性だけで決まるのではなく、周囲の環境によって大きく影響されることは広く知られています。
予算の制約のバランスをとりながら、個人の多様な住宅ニーズを満たすことは、不動産開発業者にとっての最大の関心事です。
この目的を達成するために、住宅価格予測問題を回帰タスクとして扱い、独立変数の重要性を表現できるさまざまな機械学習手法を採用しました。
米国アイオワ州エイムズシティの住宅データセットを利用して、住宅価格予測のためのサポート ベクター回帰分析、ランダム フォレスト回帰分析、XGBoost、多層パーセプトロン、および多重線形回帰アルゴリズムを比較しました。
その後、住宅コストに影響を与える主な要因を特定しました。
私たちの結果は、XGBoost が住宅価格予測において最もパフォーマンスの高いモデルであることを示しています。

要約(オリジナル)

An accurate prediction of house prices is a fundamental requirement for various sectors including real estate and mortgage lending. It is widely recognized that a property value is not solely determined by its physical attributes but is significantly influenced by its surrounding neighbourhood. Meeting the diverse housing needs of individuals while balancing budget constraints is a primary concern for real estate developers. To this end, we addressed the house price prediction problem as a regression task and thus employed various machine learning techniques capable of expressing the significance of independent variables. We made use of the housing dataset of Ames City in Iowa, USA to compare support vector regressor, random forest regressor, XGBoost, multilayer perceptron and multiple linear regression algorithms for house price prediction. Afterwards, we identified the key factors that influence housing costs. Our results show that XGBoost is the best performing model for house price prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google