$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

기계학습을 활용한 주택매도 결정요인 분석 및 예측모델 구축
Using Mechanical Learning Analysis of Determinants of Housing Sales and Establishment of Forecasting Model 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.1, 2020년, pp.181 - 200  

김은미 (한성대학교 경제부동산학과 부동산경제학 전공) ,  김상봉 (한성대학교 경제학과) ,  조은서 (한성대학교 경제부동산학과 부동산경제학)

초록
AI-Helper 아이콘AI-Helper

본 연구는 OLS모형을 적용하여 주택보유기간에 영향을 미치는 결정요인을 추정한 후 SVM, Decision Tree, Random Forest, Gradient Boosting, XGBoost, LightGBM을 통해 각 모형별 예측력을 비교하였다. 예측력이 가장 높은 모델을 기반모델 삼아 앙상블 모형 중 하나인 Stacking모형을 적용하여 더욱 예측력이 높은 모형을 구축하여 주택시장의 주택거래량을 파악할 수 있다는 점에 선행 연구와의 차이가 있다. OLS분석 결과 매도이익, 주택가격, 가구원 수, 거주주택형태(단독주택, 아파트)이 주택보유기간에 영향을 미치는 것으로 나타났으며, RMSE를 기준삼아 각 머신러닝 모형과 예측력 비교한 결과 머신러닝 모델의 예측력이 더 높은 것으로 나타났다. 이후, 영향을 미치는 변수로 데이터를 재구축한 후 각 머신러닝을 적용하여 예측력을 비교하였으며, 분석 결과 Random Forest의 예측력이 가장 우수한 것으로 나타났다. 또한 예측력이 가장 높은 Random Forest, Decision Tree, Gradient Boosting, XGBoost모형을 개별모형으로 적용하고, Linear, Ridge, Lasso모형을 메타모델로 하여 Stacking 모형을 구축하였다. 분석 결과, Ridge모형일 때 RMSE값이 0.5181으로 가장 낮게 나타나 예측력이 가장 높은 모델을 구축하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This study used the OLS model to estimate the determinants affecting the tenure of a home and then compared the predictive power of each model with SVM, Decision Tree, Random Forest, Gradient Boosting, XGBooest and LightGBM. There is a difference from the preceding study in that the Stacking model, ...

주제어

#머신러닝   #랜덤 포레스트  

표/그림 (19)

질의응답

핵심어 질문 논문에서 추출한 답변
머신러닝이란 무엇인가? 머신러닝이란 인공지능의 한 분야로서 데이터를 기반으로 패턴을 학습하고 결과를 예측하여 의사결정을 하는 것을 말한다. 머신러닝은 1950년대 인공지능이라는 개념으로 시작하였으나 80년대 후반부터 오랜기간 침체기를 겪었다.
머신러닝의 발달과정은 어떠한가? 머신러닝이란 인공지능의 한 분야로서 데이터를 기반으로 패턴을 학습하고 결과를 예측하여 의사결정을 하는 것을 말한다. 머신러닝은 1950년대 인공지능이라는 개념으로 시작하였으나 80년대 후반부터 오랜기간 침체기를 겪었다. 이후 신경망 시대를 거쳐 통계학적 머신러닝과 빅 데이터 시대를 지나 최근 딥 러닝과 함께 다시 한번 주목을 받고 있다. 머신러닝은 학습방법에 따라 크게 지도학습과 비지도 학습으로 분류할 수 있다.
머신러닝의 학습 방법 중 하나인 지도학습에 대하여 설명하시오. 머신러닝은 학습방법에 따라 크게 지도학습과 비지도 학습으로 분류할 수 있다. 지도학습은 주어진 데이터와 레이블을 이용해서 값을 예측하는 학습방법으로 값을 예측하는 회귀, 항목을 선택하는 분류, 상품에 대한 사용자 선호도를 예측하는 추천, 순위를 예측하는 랭킹으로 구분할 수 있다. 대표적인 지도학습 알고리즘은 k-최근접 이웃(k-nearest neighbors), 나이브 베이즈(naivebayes), 서포트 벡터 머신(support vector machine,SVM), 의사결정나무(decision tree), 랜덤 포레스트(random forest)등이 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (11)

  1. Kang SH. 2017. The effects of Housing Price Growth on Housing Tenure. Housing Studies Review. 25(4):5-19. 

  2. Kang HM, Kim JR. 2013. A Study on Factors Affecting the Time to Sell an Apartment. Institute for Finance & Knowledge. 11(2): 165-182. 

  3. Kwon CM. 2019. Python machine learning Perfect guide. Wikibooks, p. 179-284. 

  4. Kim YK. 2019. Prediction of Citizens’ Emotions on Home Mortgage Rate Using Machine Learning Algorithms. Journal of Cadastre & Land InformatiX. 49(1):65-84. 

  5. Kim EM, Kim SB. 2019. A Study on Macroeconomic Variables and Determinants of Housing Retention Period. Journal of Real Estate Analysis. 5(3):31-47. 

    상세보기 crossref

  6. Kim TK. 2010. Exploring Impacts of Housing Market Policy Variables on Home Ownership Durations. Korea Planning Association. 45(5): 105-116. 

  7. Sebastian R, Vahid M. 2019. Machine Learning with Python, scikit-learn, and TensorFlow. Gilbut, p.105-128. 

  8. Andreas M, Sarah G. 2017. Introduction to Machine Learning with Python. Hanbit, p. 105-128. 

  9. Hwang JY. 2008. Analysis on Determinants of Holding Period in Seoul Office Market. KonKuk University. 

  10. Archer WD, Ling B, Smith. 2010. Ownership Duration in the Residential Housing Marekt: The Influence of Structure, Tenure, Household and Neighborhood Factors. Journal of Real Estate Finance and Economics. 40: 41-61. 

    상세보기 crossref

  11. Collett DC, Lizieri C, Ward. 2003. Timing and the Holding Periods of Institutional Real Estate. Real Estate Economics. 31: 205-222. 

    상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로