Analiza porównawcza wybranych metod uczenia maszynowego do predykcji cen nieruchomości

Abstract

W niniejszej pracy porównane zostały wybrane modele uczenia maszynowego do zadania predykcji cen nieruchomości. Celem była predykcja ceny sprzedaży oraz określenie jakie cechy nieruchomości najbardziej oddziałują na jej końcową wartość. W tym celu wytrenowane zostały algorytmy typu black-box tj. AdaBoost, XGBoost oraz Lasy Losowe, które zostały porównane z modelem typu white-box tj. Drzewem Decyzyjnym. Przedstawione zostało kompleksowe rozwiązanie od przygotowania danych poprzez selekcję cech do analizy eksploracyjnej. Szczególny nacisk położono na zrozumienie predykcji dokonywanych przez porównywane modele - zarówno na poziomie lokalnym jak i globalnym. Wykorzystane zostały różne techniki wyjaśnienia modeli takie jak aproksymacja modelem zastępczym, wartości Shapley’a, zależności typu Break-Down, skumulowanych profili lokalnych. Na zakończenie wyniki przedstawiono w interaktywnej aplikacji, dokonano podsumowania i sformułowano wnioski badawcze.