Обзор статьи

Модели множественной линейной регрессии и ансамблевые алгоритмы решающих деревьев в задачах массовой оценки недвижимого имущества

УДК: 

339.13.017

DOI: 

10.23968/1999-5571-2025-22-6-129-138

Страницы: 

129-138

Аннотация: 

Рассматривается возможность применения ансамблевых алгоритмов решающих деревьев в задачах массовой оценки недвижимого имущества, включая кадастровую оценку. Результаты, полученные ансамблевыми методами, сравниваются с оценками, полученными по модели множественной линейной регрессии. Показано, что методы машинного обучения, основанные на решающих деревьях, могут быть точнее, чем регрессионные модели. Они могут применяться для верификации моделей, построенных традиционными оценочными техниками, а также обеспечивать повторяемость и воспроизводимость результатов.

Список цитируемой литературы: 

  1. Бурова И. В. Использование регрессионного анализа в оценке стоимости объектов регионального рынка недвижимости // Региональные проблемы преобразования экономики. 2020. № 2 (112). С. 39-45

  2. Баринов Н. П. Применение методов регрессионного анализа в задачах индивидуальной и массовой оценки объектов недвижимости // Вопросы оценки. 2022. № 1 (106). С. 34-46

  3. Горобцова А. В. Оценка рыночной стоимости квартир с помощью методов регрессионного анализа // Моделирование и анализ данных. 2019. Т. 9, № 2. С. 63-72

  4. Анисимова И. Н., Баринов Н. П., Грибовский С. В. Учет разнотипных ценообразующих факторов в многомерных моделях оценки недвижимости // Вопросы оценки. 2004. № 2. С. 2-15

  5. Ласкин М. Б. Множественная линейная регрессия и многомерные модельные распределения при оценке единых объектов недвижимости // Имущественные отношения в Российской Федерации. 2022. № 5 (248). С. 7-19; № 6 (249). С. 18-26

  6. Ren X., Mi Z., Georgopoulos P. G.Comparison of Machine Learning and Land Use Regression for fine scale spatiotemporal estimation of ambient air pollution: Modeling ozone concentrations across the contiguous United States, Environ Int. 2020 Sep; 142:105827. DOI 10.1016/j.envint.2020.105827

  7. Anmala J., Turuganti V.Comparison of the performance of decision tree (DT) algorithms and extreme learning machine (ELM) model in the prediction of water quality of the Upper Green River watershed, Water Environ Res. 2021 Nov; 93(11):2360-2373. DOI 10.1002/wer.1642

  8. Lalitha M., Dharumarajan S., Suputhra A., Kalaiselvi B., Hegde R., Reddy R. S., Prasad C. R. S, Harindranath C. S., Dwivedi B. S. Spatial prediction of soil depth using environmental covariates by quantile regression forest model, Environ Monit Assess. 2021 Sep. 18;193 (10):660. DOI 10.1007/s10661-021-09348-9

  9. Yilmazer S., Kocman S. A mass appraisal assessment study using machine leaning based on multiple regression and random forest // Land Use Policy. 2020. Vol. 99. Article ID 104889. URL: https://doi.org/10.1016/j.landusepol.2020.104889

  10. Cordoba M., Carranza J.P., Piumetto M., Monzani F., Balzarini M. A spatially based quantile regression forest model for mapping rural land values // Journal of Environmental Management. 2021. Vol. 289. No. 1. Article ID 112509. URL: https://doi.org/10.1016/j.jenvman.2021.112509

  11. Gu S., Kelly B., Xiu D. Empirical asset pricing via machine learning // Chicago Booth Research Paper No. 18-04, 31st Australasian Finance and Banking Conference 2018, Yale ICF Working Paper No. 2018-09. 2019. URL: https://doi.org/10.2139/ssrn.3159577

  12. Kok N., Koponen E.-L., Martínez-Barbosa C. A. Big data in real estate? From manual appraisal to automated valuation // The Journal of Portfolio Management. 2017. Vol. 43. No. 6. Pp. 202-211. URL: https://doi.org/10.3905/jpm.2017.43.6.202

  13. Steurer M., Hill R. J., Pfeifer N. Metrics for evaluating the performance of machine learning based automated valuation models // Journal of Property Research. 2021. Vol. 38. No. 2. Pp. 99-129. URL: https://doi.org/10.1080/09599916.2020.1858937

  14. Kontrimas V., Verikas A. The mass appraisal of the real estate by computational intelligence // Applied Soft Computing. 2011. Vol. 11. No. 1. Pp. 443-448. URL: https://doi.org/10.1016/j.asoc.2009.12.003

  15. Yahan Fu, A Comparative Study of House Price Prediction Using Linear Regression and Random Forest Models, 3rd International Conference on Applied Mathematics, Modeling Simulation and Automatic Control (AMMSAC 2024). 2024. Vol. 107. URL: https://doi.org/10.54097/vcy5n584

  16. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. New York: Springer Science & Business Media, 2009. 745 p

  17. Aitchinson J., Brown J. A. C. The Lognormal distribution with special references to its uses in economics. 1963, Cambridge: At the University Press

  18. Ohnishi T., Mizuno T., Shimizu C., Watanabe T. On the Evolution of the House Price Distribution. Columbia Business School. Center of Japanese Economy and Business, Working Paper Series. 2011. No 296. Pp. 1-20

  19. Ласкин М. Б., Русаков О. В., Джаксумбаева О. И., Ивакина А. А. Особенности формирования величины рыночной стоимости недвижимости при логарифмически нормальном распределении цен // Имущественные отношения в Российской Федерации. 2016. № 2 (173). С. 40-50

  20. Баринов Н. П., Грибовский С. В., Зельдин М. А. Точность результатов оценки и пределы ответственности оценщика // Имущественные отношения в Российской Федерации. 2009. № 9 (96). С. 43-55

Ключевые слова: 

Полный текст (файл): 

PDF

Авторы: 

Ласкин М. Б. Санкт-Петербургский федеральный исследовательский центр Российской академии наук Санкт-Петербург, Россия

Крещенский В. Д. Санкт-Петербургский государственный университет Санкт-Петербург, Россия

Другие статьи авторов: 

Ссылка на статью в НЭБ: 

https://elibrary.ru/item.asp?id=89074824

Выпуск журнала

№ 6 (113) Декабрь 2025