Оценка стоимости недвижимости (Нейросеть)

Таблица Объекты недвижимости (исторические данные):

Имя	Метка
iD	ID объекта
district	Район
type_plan	Тип планировки
rooms	Количество комнат
first_last	Первый/Последний этаж
total	Общая площадь (м2)
live	Жилая площадь (м2)
kitchen	Площадь кухни (м2)
agency	Наличие агентства
condition	Состояние
price	Стоимость (т.руб.)

Таблица Объекты недвижимости (новые данные) имеет ту же структуру данных, за исключением поля Стоимость (т.руб.). Данное поле заполнено нулевыми значениями, так как его необходимо спрогнозировать при помощи узла Нейросеть (регрессия) прогнозирование.

На подмодели Импорт данных настроен визуализатор Качество данных, который показывает наличие выбросов в таблице Объекты недвижимости (исторические данные).

В узле Редактирование выбросов набор проверяется на наличие выбросов и экстремальных значений. Для выбросов задан метод обработки Оставить без изменения, а для экстремальных значений — Удалять записи.

Настройки узла Редактирование выбросов произведены следующим образом:

• поля Общая площадь (м2), Жилая площадь (м2), Площадь кухни (м2), Стоимость (т.руб) — включены в выборку.

Модели, построенные на нейронных сетях, достаточно устойчивы к выбросам и экстремальным значениям, поэтому предпринимать особых усилий по подготовке выборки для них не требуется. Тем не менее, экстремальные значения лучше удалять для улучшения качества обучения модели.

Первый шаг к обучению (настройке) Нейросети — определение того, какие данные подаются на вход, и что должно быть на выходе. В данном примере на выходе — прогнозируемая стоимость недвижимости, соответственно на вход подаются данные, от которых напрямую зависит цена объекта.

Данные были нормализованы для приведения всех величин к единому интервалу. Если нормализацию не производить, то входные данные разных порядков будут оказывать неодинаковое влияние на нейроны, что может привести к некорректным расчетам алгоритма. Также необходимо учесть, что для непрерывных и дискретных видов данных применяются разные методы нормализации.

Настройки нормализации в узле Нейросеть (регрессия) обучение произведены следующим образом:

• поля Район, Тип планировки, Количество комнат, Первый/последний этаж, Наличие агентства и Состояние — Индикатор.
• для остальных полей Нормализатор отсутствует.

Следующий этап — разделение данных на обучающую и тестовую выборки (множества) и выбор метода валидации прогноза Нейросети.

Настройки разбиения на множества в узле Нейросеть (регрессия) обучение произведены следующим образом:

• для Обучающее размер в процентах выбран 90%.
• для Тестовое размер в процентах выбран 10%.
• Метод разбиения — Случайный.
• Метод валидации — K-fold кросс валидация.
• Метод сэмплинга — Случайный.
• Колод кросс-валидации — 10.

При изменении каких-либо настроек Нейросеть необходимо переобучить.

В остальных шагах настройки все параметры использованы по умолчанию.

С помощью узла Калькулятор и функции RelErr рассчитывается ошибка аппроксимации для каждого объекта. Полученные значения показывают, насколько расчетные значения отличаются от фактических, и таким образом дают представление о качестве модели.

RelErr(price, price_predicted) * 100

С помощью компонента Группировка рассчитана средняя ошибка аппроксимации всех объектов.

Настройка узла Средняя ошибка аппроксимации произведена следующим образом:

• поле Ошибка аппроксимации (Среднее) перемещено в Показатели.

Средняя ошибка аппроксимации получилась в районе 8%. Это считается хорошим результатом (ошибка до 10-12% приемлема). Полученный результат позволяет перейти к следующему шагу — прогнозированию. Для этого на основе узла Нейросеть(регрессия) обучение создан производный компонент с проставленными флагами Выполнять узел и все его подузлы, а также Всегда выполнять.