Streszczenie:
Praca skupia się na przeanalizowaniu trendów w cenach mieszkań. Aby to
osiągnąć będę chciał skorzystać z algorytmów uczenia maszynowego, których liczba stale rośnie. W związku z tym istnieje potrzeba ich weryfkacji.
Niektóre z nich mogę nie tylko wykazać szybszy czas obliczeń, ale także pozytywnie
wpłynąć na dokładność predykcji.
Celem artykułu jest porównanie i ocena skuteczności następujących modeli
regresji logistycznej: Linear Regression, Ridge Regression, Lasso Regression,
Elastic Net, Gradient Boosting Regression, Support Vector Regression,
XGboost w przewidywaniu cen mieszkań.
Jako główna metoda oceny wyniku wykorzystano metrykę K-Fold Cross-
Validation z RMSE jako miernik wydajności modelu, do weryfkacji wyniku
tej metryki wykorzystano dodatkowo metryki MAE, MSE, RMSE, R2 Score.
Dodatkowo oszacowane została precyzja każdego modelu przy wykorzystaniu
walidacji krzyżowej.
