Τεχνικές μηχανικής μάθησης σε προβλήματα πρόβλεψης τιμών ακινήτων

Μηναΐδη, Μαρία Νεκταρία; Minaidi, Maria Nektaria

dc.contributor.author	Μηναΐδη, Μαρία Νεκταρία	el
dc.contributor.author	Minaidi, Maria Nektaria	en
dc.date.accessioned	2020-12-06T08:13:32Z
dc.date.available	2020-12-06T08:13:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52303
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20001
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόβελψη τιμών ακινήτων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Διερευνητική ανάλυση δεδομένων	el
dc.subject	Πολλαπλή γραμμική παλινδρόμηση	el
dc.subject	Τυχαία δάση	el
dc.subject	House price prediction	el
dc.subject	Machine learning	el
dc.subject	Exploratory data analysis	el
dc.subject	Multiple linear regression	el
dc.subject	Random forests	el
dc.title	Τεχνικές μηχανικής μάθησης σε προβλήματα πρόβλεψης τιμών ακινήτων	el
dc.title	Machine learning techniques in house price prediction problems	el
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Επιστήμη των δεδομένων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-22
heal.abstract	Η αγορά των ακινήτων στην σημερινή εποχή, χαρακτηρίζεται από ιδιαίτερη οικονομική αστάθεια και επηρεάζεται από πλήθος, επίσης ασταθών και ποικίλης φύσεως, παραγόντων. Ως σημαντική πτυχή του ανθρώπινου πολιτισμού, είναι άρρηκτα συνδεδεμένη με την οικονομία της κάθε περιοχής και αποτελεί δείκτη οικονομικής ευμάρειας και ευημερίας, καθώς επίσης και καθοριστικό παράγοντα του επιπέδου διαβίωσης μιας κοινωνίας. Η κατανόηση της συμπεριφοράς και των τάσεων της αγοράς των ακινήτων μπορεί να παρέχει προτάσεις όχι μόνο για τους ενδιαφερόμενους αγοραστές, αλλά και για τους ερευνητές της αγοράς και τους αρμόδιους για την λήψη των αποφάσεων όσον αφορά την αγορά των ακινήτων, τον σχεδιασμό της πόλης και την αστική ανάπτυξη. Οι παράγοντες που επηρεάζουν τις τιμές της γης και των ακινήτων είναι πολυάριθμοι και εξαρτώνται από πλήθος μεταβλητών, σχετίζονται έμμεσα ή άμεσα μεταξύ τους και αλληλεπιδρούν συνέχεια. Γίνεται, έτσι, κατανοητό ότι η μοντελοποίησή τους συνιστά μία αρκετά σύνθετη διαδικασία, η οποία απαιτεί την λεπτομερή μελέτη τους. Μεγάλες εταιρείες και οργανισμοί έχουν κάνει βήματα προς την ανάπτυξη και εδραίωση εφαρμογών, οι οποίες προβλέπουν τις τιμές των κατοικιών, βρίσκονται ωστόσο σε πρώιμα στάδια. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, μελετάται η πρόβλεψη των τιμών των ακινήτων. Παρόλο που πολλές μελέτες έχουν διεξαχθεί με σκοπό την ανάλυση του συγκεκριμένου ζητήματος, η εφαρμογή των συμπερασμάτων τους στην πράξη έχει γίνει σε ελάχιστες περιπτώσεις. Ιδιαίτερα στην χώρα μας, παρά τον ρόλο που κατέχει η αγορά των ακινήτων στην οικονομία μας, δεν υπάρχουν, τουλάχιστον δημοσιευμένες, έρευνες ή εφαρμογές που να απαντούν σε αυτό το πρόβλημα. Στην εργασία αυτή, επιχειρούμε να δώσουμε μία λύση στο ζήτημα που παρουσιάστηκε, επικεντρώνοντας το ενδιαφέρον της μελέτης στην περιοχή της Αττικής, λαμβάνοντας υπόψιν σημαντικούς παράγοντες από τους οποίους καθορίζονται οι τιμές των ακινήτων και χρησιμοποιώντας μεθόδους και τεχνικές της μηχανικής μάθησης. Αναλύονται, στη συνέχεια, τα αποτελέσματα που λάβαμε από τις μεθόδους που εφαρμόσαμε και αξιολογούνται η ακρίβεια και η καταλληλότητά τους για το παρόν πρόβλημα. Πιο συγκεκριμένα, γίνεται ιστορική αναδρομή και περιγράφεται το πλαίσιο της μελέτης μας, ενώ κατόπιν παρουσιάζεται αναλυτικά το πρόβλημα με το οποίο καταπιάνεται η εργασία. Συνεχίζουμε με την παρουσίαση του συνόλου δεδομένων που χρησιμοποιήθηκε και του τρόπου συλλογής του. Ακολουθεί η λεπτομερής ανάλυση και διερευνητική προεπεξεργασία του, προκειμένου να είναι δυνατή η πλήρης κατανόησή του και η βέλτιστη αξιοποίησή του. Στη συνέχεια, υλοποιούνται έξι διαφορετικά μοντέλα μηχανικής μάθησης, τα οποία εκπαιδεύονται με βάση τα δεδομένα. Η πλειοψηφία των μοντέλων αυτών στηρίζεται σε τεχνικές και αλγορίθμους παλινδρόμησης, όπως είναι η πολλαπλή γραμμική παλινδρόμηση, η οποία αποτελεί τη βάση για την ανάπτυξη πιο σύνθετων και αποδοτικών τεχνικών παλινδρόμησης, όπως είναι η παλινδρόμηση Ridge, η Lasso και η παλινδρόμηση με χρήση της τεχνικής Gradient Boosting. Επίσης, υλοποιήθηκαν μοντέλα που βασίζονται στα δέντρα απόφασης, όπως είναι τα Τυχαία Δάση. Ακολούθως, παρουσιάζονται και αξιολογούνται τα αποτελέσματα της εφαρμογής τους στα δεδομένα εκπαίδευσης και τα δεδομένα ελέγχου. Τέλος, παρουσιάζονται κάποιες συγκρίσεις των αποτελεσμάτων μας με αποτελέσματα αντίστοιχων ερευνών, εντοπίζονται τα σημεία που επιδέχονται βελτίωση στην μεθοδολογία που ακολουθήθηκε και προτείνονται με βάση αυτά κάποιες μελλοντικές προοπτικές έρευνας για τις επόμενες μελέτες.	el
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Παγουρτζής, Αριστείδης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	76 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false