Problem regresji w przewidywaniu cen mieszkań

Abstract

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.