2021, випуск 1, c. 67-73

Одержано 02.02.2021; Виправлено 20.02.2021; Прийнято 25.03.2021

Надруковано 30.03.2021; Вперше Online 03.04.2021

https://doi.org/10.34229/2707-451X.21.1.7

Попередня  |  Повний текст  |  Наступна

 

УДК 519.67

Використання методів машинного навчання для оцінки вартості житла

В.В. Третиник 1 * ORCID ID favicon Big,   А.Т. Возняк 1,   В.М. Домрачев 2 ORCID ID favicon Big

1 НТУ України «КПІ ім. Ігоря Сікорського»

2 Київський національний університет імені Тараса Шевченка

* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

 

Вступ. На сьогодні держава на законодавчому рівні закріпила визначення оціночної вартості з метою оподаткування при здійсненні операцій купівлі-продажу нерухомості як обов'язкове. Порівняльний підхід, що найчастіше використовується суб’єктами оціночної діяльності, має такі недоліки як неможливість підібрати аналоги в деяких випадках та необхідність внесення поправок, що впливає на достовірність результатів. Модуль електронного визначення оціночної вартості (Модуль) подібного до об'єкта оцінки майна  Єдиної бази звітів про оцінку працює за таким же підходом і досить часто завищує оціночну вартість, що призводить до збільшення величини податку при продажу, оскільки нерухомість не може бути продана за ціну меншу, ніж оціночна вартість.

На сьогоднішній день , щоб  автоматизована система визначала ціну коректно, треба наповнити Єдину базу даних оцінки у Фонді держмайна великими базами знань – це величезна IT-система. Поки що бездумна машина все одно визначає ціну за середнім значенням. Наразі, дуже часто виникають ситуації, коли оціночна вартість нерухомості, визначена Модулем, переважає її реальну ринкову вартість.

Зважаючи на те, що підхід, який використовується Модулем оцінки вартості, не завжди дає коректний результат, існує необхідність пошуку кращого методу для оцінки житла, що міг би використовуватися Модулем.

Мета роботи. Для оцінки вартості житла у місті Києві застосовано підхід, що базується на нечіткій логіці. Нечіткі методи дозволяють застосовувати лінгвістичний опис складних процесів, встановлювати нечіткі взаємозв'язки між поняттями, прогнозувати поведінку системи, створювати набір альтернативних дій, формально описувати нечіткі правила прийняття рішень.

Результати. Виконана програмна реалізація моделі на мові програмування Python. Дані для моделювання взяті за період  липеньжовтень 2020 року з єдиної бази звітів про оцінку майна. Вибірка містила 2133 записи, вона відфільтрована, поділена на навчальну та тестову у пропорції 85 : 15. Для оцінки якості роботи програми розраховано середню відносну похибку розробленої моделі.

 

Ключові слова: нечітка логіка, машинне навчання, програмування на Пайтоні, лінгвістичні змінні, прогнозна модель.

 

Цитувати так: Третиник В.В., Возняк А.Т., Домрачев В.М. Використання методів машинного навчання для оцінки вартості житла. Cybernetics and Computer Technologies. 2021. 1. С. 67–73. https://doi.org/10.34229/2707-451X.21.1.7

 

Список літератури

           1.     Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учебное пособие для вузов. 2-е изд. М.: Юрайт, 2019. 105 с.

           2.     Снитюк В.Е., Мирошник О.Н. Моделирование и прогнозирование процессов на рынке недвижимости. Черкассы. 2014. 332 с.

           3.     Васильєва Г.Ю., Лютіков А.А., Маляр В.А. Методи і моделі оцінювання нерухомого майна. Містобудування та територіальне планування: наук.-техн. зб. Київ. нац. ун-т буд-ва і архіт.; відп. ред. М.М. Осєтрін. Київ: КНУБА, 2017. Вип. 63. С. 52–55.

           4.     Сихимбаев М.Р., Кумисбекова Ж.А. Математические методы оценки стоимости недвижимого имущества. Международный журнал прикладных и фундаментальных исследований. 2015. 6-1. С. 119–123.

           5.     Глухов Ю., Яцура А. Методика оцінки впливу якісних характеристик нерухомого майна на його вартість. Галицький економічний вісник. 2015. 2 (49). С. 160–169.

           6.     Renigier-Biłozor M., Janowski A.,  d’Amato M. Automated valuation model based on fuzzy and rough set theory for real estate market with insufficient source data. Land Use Policy. 2019. 87. P. 147–154. https://doi.org/10.1016/j.landusepol.2019.104021

           7.     Yalpir S., Ozkan G. Knowledge-based FIS and ANFIS models development and comparison for residential real estate valuation. International Journal of Strategic Property Management. 2018. 22. P. 110–118. https://doi.org/10.3846/ijspm.2018.442

           8.     Єдина база даних звітів про оцінку. http://www.spfu.gov.ua/ua/content/spf-estimate-basereport.html (звернення: 02.02.2021)

 

 

ISSN 2707-451X (Online)

ISSN 2707-4501 (Print)

Попередня  |  Повний текст  |  Наступна

 

 

 

© Вебсайт та оформлення. 2019-2021,

Інститут кібернетики імені В.М. Глушкова НАН України,

Національна академія наук України.