Оценка стоимости недвижимости (Нейросеть)

Таблица Объекты недвижимости:

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.)

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) 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) 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).

Диаграмма построена на основе исходной (по оси абсцисс) и прогнозируемой стоимости. Тип графиков в обоих случаях — Разброс.

Разброс значений прогнозируемой стоимости сосредоточен вблизи значений исходной стоимости. Диаграмма наглядно демонстрирует качество обучения Нейросети и применимость модели на практике.

В Статистике никаких предварительных настроек не требуется. Смещение гистограммы влево говорит о том, что Нейросеть занижает прогноз для некоторой части объектов, соответственно, эта недвижимость упадет в цене.

Детальные значения прогноза можно посмотреть в выходных данных узла Нейросеть(регрессия), используя визуализаторы Таблица или Быстрый просмотр.