| Περίληψη : | Το παρόν έγγραφο επικεντρώνεται στον εντοπισμό των καθοριστικών παραγόντων της τιμών ανά τετραγωνικό μέτρο, αναφορικά με κατοικίες στην ευρύτερη περιοχή της Αττικής. Χρησιμοποιούνται πολλαπλά δομικά χαρακτηριστικά ενός σπιτιού, όπως τετραγωνικά μέτρα, αριθμός μπάνιων, αριθμός υπνοδωματίων και επίπεδο ορόφου. Μαζί με διάφορες αποστάσεις που υπολογίζονται από συγκεκριμένα σημεία ενδιαφέροντος όπως απόσταση από το κέντρο της πόλης, σταθμό μετρό, πλησιέστερο πάρκο, λιμάνι, αεροδρόμιο και δάσος. Χρησιμοποιήθηκε η ηδονική προσέγγιση και δημιουργήθηκαν πολλαπλά μοντέλα για να προβλέπουν την τιμή κατοικίας ανά τετραγωνικό μέτρο και αξιολογούν τα πιο σημαντικά χαρακτηριστικά σε αυτά τα μοντέλα. Πιο συγκεκριμένα, τα μοντέλα που χρησιμοποιήθηκαν για αυτή τη μελέτη ήταν τα multiple linear regression, Spatially and Non-Spatially Varying Coefficient model (SNVC), regression tree, random forest, και extreme gradient boosting (XGB). Τα μοντέλα μηχανικής μάθησης υποβλήθηκαν επίσης σε hyperparameter tuning μέσω cross-validation και grid search προκειμένου να βελτιωθεί η απόδοσή τους. Τα πιο ακριβές μοντέλο όσον αφορά την πρόβλεψη αποδείχθηκε το extreme gradient boosting, ενώ τα πιο κρίσιμα χαρακτηριστικά για τον καθορισμό της τιμής κατοικίας ανά τετραγωνικό μέτρο ήταν οι αποστάσεις από το αεροδρόμιο, το λιμάνι, το δάσος, το κέντρο της πόλης και το σταθμό του μετρό.
This paper focuses on locating the determinants of the house price per square meter in the greater Athens region area. Multiple structural characteristics of a house are used, like square meters, number of bathrooms, number of bedrooms, and floor level. Along with various distances calculated from specific points of interest like distance to the city center, subway station, nearest park, port, airport, and forest. The hedonic approach was used, and multiple models were created to predict house price per square meter and evaluate the most important features in those models. More precisely, the models utilized for this study were the multiple linear regression, Spatially and Non-Spatially Varying Coefficient model (SNVC), regression tree, random forest, and extreme gradient boosting (XGB). The machine learning models also underwent hyperparameter tuning via cross-validation and grid search in order to improve their performance. The most accurate model in terms of prediction proved to be the extreme gradient boosting model, while the most critical features in determining the house price per square meter were the distances to the airport, port, forest, city center, and subway station.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.