[논문 리뷰] PropTech for Proactive Pricing of Houses in Classified Advertisements in the Indian Real Estate Market

Sayan Putatunda|arXiv (Cornell University)|2019. 03. 28.

Housing Market and Economics인용 수 12

한 줄 요약

이 논문은 인도 부동산 분류 광고의 사전적 주택 가격 예측을 위해 랜덤 포레스트, 그래디언트 부스팅, 신경망을 사용한 기계학습 접근법을 제안한다. 실제 인도 데이터셋에서 랜덤 포레스트가 다른 모델보다 정확도에서 뛰어나며, 자동화가 부족한 인도 프롭테크 시장의 가격 비효율성 문제를 데이터 기반으로 해결할 수 있음을 입증한다.

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.

연구 동기 및 목표

• 인도 부동산 시장에서 데이터 기반 가격 설정의 부족을 해결하기 위해, 분류 광고에서 정확하거나 일관된 주택 평가가 자주 부족한 현실을 다루기 위해.
• 인도의 분류 광고 특성에서 파생된 특징을 기반으로 주택 가격을 예측하기 위한 기계학습 모델을 개발하고 평가하기 위해.
• 실제 인도 부동산 데이터를 바탕으로 랜덤 포레스트, 그래디언트 부스팅, 신경망과 같은 다수의 고급 기계학습 알고리즘의 성능을 비교하기 위해.
• 인도 프롭테크에서 사전적 가격 설정을 위한 가장 효과적인 모델을 특정하고, 구매자, 판매자, 중개인의 의사결정을 지원하기 위해.

제안 방법

• 연구는 인도 분류 광고에서 수집한 실제 주택 목록 데이터셋을 사용하며, 위치, 크기, 방 수, 편의시설 등의 특징을 추출한다.
• 세 가지 지도 학습 기계학습 알고리즘—랜덤 포레스트, 그래디언트 부스팅, 인공 신경망을 회귀 분석에 적용한다.
• 표준 회귀 평가 지표를 사용하여 모델을 훈련하고 평가하며, 평균 절대 오차와 결정계수(R-squared)와 같은 주요 지표를 기반으로 성능을 비교한다.
• 모델 일반화 성능 향상을 위해 범주형 변수를 인코딩하고 수치형 특징을 정규화하는 특징 공학 기법을 수행한다.
• 교차 검증을 활용한 초모수 튜닝을 통해 모델 성능을 최적화한다.
• 최종 모델 선정은 테스트 데이터에 대한 예측 정확도와 강인성에 기반한다.

실험 결과

연구 질문

• RQ1 인도 부동산 시장의 분류 광고 데이터에서 주택 가격을 예측하는 데 있어 어떤 기계학습 모델이 가장 우수한 성능을 보이는가?
• RQ2 이러한 맥락에서 전통적인 앙상블 방법인 랜덤 포레스트와 그래디언트 부스팅은 딥 러닝(인공 신경망)과 비교해 어떻게 성능을 내는가?
• RQ3 기계학습은 표준화된 평가가 부족한 인도 부동산 분류 광고의 가격 정확도를 어느 정도 향상시킬 수 있는가?
• RQ4 다양한 부동산 시장이 존재하는 인도의 분열된 시장 환경에서 공개된 광고 데이터를 활용해 사전적 가격 설정 모델을 효과적으로 구현할 수 있는가?

주요 결과

• 랜덤 포레스트는 평가된 모델들 중에서 가장 높은 예측 정확도를 기록했으며, 그래디언트 부스팅과 인공 신경망을 모두 앞섰다.
• 모델 성능은 낮은 평균 절대 오차와 높은 결정계수(R-squared) 값으로 측정되어 테스트 세트에서 강력한 예측 능력을 보였다.
• 연구는 혼합된 특징 유형을 가진 표본형 부동산 데이터에 대해 앙상블 방법인 랜덤 포레스트가 특히 효과적임을 확인했다.
• 특징 중요도 분석을 통해 위치, 침실 수, 건축 면적 등이 인도 시장에서 가장 영향력 있는 예측 변수로 드러났다.
• 결과적으로 기계학습은 인도 분류 부동산 광고에서의 가격 일관성 결여 문제를 크게 줄일 수 있음을 시사한다.
• 논문은 인도에서 프롭테크 도입의 개념 증명을 수립하며, 데이터 기반 가격 설정이 실현 가능하고 효과적일 수 있음을 입증한다.