PhD in Physical and Mathematical Sciences, Associate Professor of the Department of Mechanics and Control Processes, Academy of Engineering
кандидат физико-математических наук, доцент кафедры механики и процессов управления, инженерная академия
Graduate student of the Department of Mechanics of Control Processes, Academy of Engineering
аспирант кафедры механики и процессов управления, инженерная академия
In this study, two analyzing methods are used to predict housing prices in California: neural network forecasting methods and methods based on regression analysis. Using the example of individual forecast indicators produced on the basis of two methods, the forecast results are compared. The purpose of this study is to show that the accuracy of prediction by neural networks is higher than that of the classical method. The assessment is carried out by creating a product in Python, which was chosen for reasons of ease of implementation of this analysis, ease of implementation of the product, as well as ease of constructing a graphical analysis of the results obtained. An open data source consisting of sixteen thousand items, which includes a number of housing criteria and prices based on these criteria, was used as resources for training the neural network. A broad review of studies comparing the predictive performance of artificial neural network-based methods and other forecasting methods is conducted. Much attention is paid to comparing artificial neural network methods and linear regression methods. Based on the results of this study, it was revealed that the accuracy of the neural network model is much higher when predicting results using linear regression methods, depending on the introduction of new forecasting criteria.
Данное исследование посвящено анализу методов прогнозирования цен на жилье в Калифорнии. В нем применены два метода: нейросетевые методы прогнозирования и методы, основанные на регрессионном анализе. На примере отдельных прогнозных показателей, полученных на основе двух методов, сравниваются результаты прогноза. Цель исследования - показать, что точность прогнозирования с помощью нейронных сетей выше, чем у классического метода. Оценка осуществлена путем создания продукта на Python, который был выбран из соображений простоты проведения данного анализа, простоты внедрения продукта, а также простоты построения графического анализа полученных результатов. В качестве ресурсов для обучения нейронной сети был использован открытый источник данных, состоящий из шестнадцати тысяч элементов, который включает в себя ряд критериев оценки жилья и цен, основанных на этих критериях. Проведен широкий обзор исследований, сравнивающих эффективность прогнозирования с помощью методов, основанных на искусственных нейронных сетях, и других методов прогнозирования. Большое внимание уделено сравнению методов искусственной нейронной сети и методов линейной регрессии. По результатам этой работы было выявлено, что точность нейросетевой модели значительно выше при прогнозировании результатов с использованием методов линейной регрессии, в зависимости от введения новых критериев прогнозирования.