[論文レビュー] PropTech for Proactive Pricing of Houses in Classified Advertisements in the Indian Real Estate Market

Sayan Putatunda|arXiv (Cornell University)|Mar 28, 2019

Housing Market and Economics被引用数 12

ひとこと要約

本稿では、インドの分類広告における不動産市場のプロアクティブな住宅価格予測のための機械学習的手法を提案している。ランダムフォレスト、勾配ブースティング、ニューラルネットワークを用い、実世界のインドのデータセット上で、ランダムフォレストが他のモデルを上回る精度を示した。これは、自動化が遅れているインドのプロパティテック分野における価格非効率性を解消するデータドリブンなソリューションを提供する。

ABSTRACT

Property Technology (PropTech) is the next big thing that is going to disrupt the real estate market. Nowadays, we see applications of Machine Learning (ML) and Artificial Intelligence (AI) in almost all the domains but for a long time the real estate industry was quite slow in adopting data science and machine learning for problem solving and improving their processes. However, things are changing quite fast as we see a lot of adoption of AI and ML in the US and European real estate markets. But the Indian real estate market has to catch-up a lot. This paper proposes a machine learning approach for solving the house price prediction problem in the classified advertisements. This study focuses on the Indian real estate market. We apply advanced machine learning algorithms such as Random forest, Gradient boosting and Artificial neural networks on a real world dataset and compare the performance of these methods. We find that the Random forest method is the best performer in terms of prediction accuracy.

研究の動機と目的

• インド不動産市場において、分類広告がしばしば正確で一貫性のない住宅評価を欠いているという点を是正するため、データドリブンな価格設定を実現すること。
• インドの分類広告の特徴から住宅価格を予測するための機械学習モデルの開発と評価を行うこと。
• ランダムフォレスト、勾配ブースティング、ニューラルネットワークといった複数の高度な機械学習アルゴリズムの性能を、実世界のインド不動産データ上で比較すること。
• インドのプロパティテック分野におけるプロアクティブ価格設定に最も効果的なモデルを同定し、購入者、売却者、不動産業者の意思決定支援を行うこと。

提案手法

• 本研究では、インドの分類広告から得た住宅掲載の実世界データセットを用い、場所、面積、部屋数、設備などの特徴量を抽出した。
• 回帰問題に適した3つの教師あり機械学習アルゴリズム（ランダムフォレスト、勾配ブースティング、人工ニューラルネットワーク）を適用した。
• 標準的な回帰指標を用いてモデルを訓練・評価し、平均絶対誤差や決定係数（R-squared）といった主要指標に基づき性能を比較した。
• モデルの汎化性能を向上させるために、カテゴリカル変数のエンコーディングと数値特徴量の正規化を含む特徴量工学を実施した。
• 交差検証を用いたハイパーパrameterチューニングにより、モデル性能を最適化した。
• 最終的なモデル選定は、未知のテストデータに対する予測精度と頑健性に基づいて行われた。

実験結果

リサーチクエスチョン

• RQ1 インド不動産市場の分類広告データから住宅価格を予測する際、どの機械学習モデルが最も優れた性能を示すか？
• RQ2 この文脈において、ランダムフォレストや勾配ブースティングといった伝統的なアンサンブル手法と、ディープラーニング（人工ニューラルネットワーク）の性能はどのように比較されるか？
• RQ3 機械学習は、標準化された評価が欠如しているインド不動産の分類広告において、価格予測の正確性をどの程度向上させられるか？
• RQ4 インドの分散化した不動産市場において、公開されている広告データを活用して、プロアクティブ価格設定モデルを効果的に展開できるか？

主な発見

• ランダムフォレストが評価されたモデルの中で最も高い予測精度を示し、勾配ブースティングおよび人工ニューラルネットワークを上回った。
• モデルの性能は、低水準の平均絶対誤差と高い決定係数（R-squared）値によって測定され、テストセットにおける強力な予測能力を示した。
• 本研究では、混合特徴量を含むテーブル形式の不動産データに対して、アンサンブル手法（特にランダムフォレスト）が特に効果的であることが確認された。
• 特徴量重要度分析から、インドの文脈において場所、寝室数、床面積が最も影響力のある予測要因であることが明らかになった。
• 結果から、機械学習はインドの分類不動産広告における価格の不整合性を顕著に低減できる可能性があることが示唆された。
• 本稿は、インドにおけるプロパティテック分野へのデータドリブン価格設定の実現可能性と有効性を示す概念実証を確立した。