[论文解读] 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 12

一句话总结

本文提出一种基于随机森林、梯度提升和神经网络的机器学习方法，用于预测印度分类房地产广告中的主动房价。实证结果表明，在真实世界印度数据集上，随机森林在准确性方面优于其他模型，为印度房地产科技（PropTech）领域中自动化程度较低的定价低效问题提供了数据驱动的解决方案。

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.

研究动机与目标

• 为解决印度房地产市场中缺乏数据驱动定价的问题，即分类广告常缺乏准确或一致的房屋估值。
• 开发并评估基于印度分类广告特征的机器学习模型，用于预测房屋价格。
• 比较多种先进机器学习算法（随机森林、梯度提升和神经网络）在真实世界印度房产数据上的性能表现。
• 识别在印度房地产科技（PropTech）中实现主动定价的最有效模型，以支持买家、卖家和中介更好地决策。

提出的方法

• 本研究使用来自印度分类广告的真实房屋挂牌数据集，提取位置、面积、房间数量和配套设施等特征。
• 应用三种监督学习算法：随机森林、梯度提升和人工神经网络进行回归预测。
• 使用标准回归指标对模型进行训练和评估，通过平均绝对误差和决定系数（R-squared）等关键指标比较性能。
• 通过编码分类变量和归一化数值特征进行特征工程，以提升模型的泛化能力。
• 采用交叉验证进行超参数调优，以优化模型性能。
• 最终模型的选择基于其在未见测试数据上的预测准确性和鲁棒性。

实验结果

研究问题

• RQ1 在印度房地产市场中，哪种机器学习模型在基于分类广告数据预测房价方面表现最佳？
• RQ2 在该场景下，传统集成方法（如随机森林和梯度提升）与深度学习（人工神经网络）相比表现如何？
• RQ3 机器学习在多大程度上可以提升印度房地产分类广告中的定价准确性，这些广告通常缺乏标准化估值？
• RQ4 在印度分散的房地产市场中，能否有效利用公开的广告数据部署主动定价模型？

主要发现

• 随机森林在所评估的模型中取得了最高的预测准确性，优于梯度提升和人工神经网络。
• 模型性能通过较低的平均绝对误差和较高的决定系数（R-squared）衡量，表明其在测试集上具有强大的预测能力。
• 研究证实，对于包含混合特征类型的表格化房地产数据，集成方法如随机森林特别有效。
• 特征重要性分析显示，在印度背景下，位置、卧室数量和建筑面积是最具影响力的预测因子。
• 结果表明，机器学习可显著减少印度分类房地产广告中的定价不一致性。
• 本文为印度房地产科技（PropTech）的采用提供了概念验证，证明数据驱动定价是可行且有效的。