10288
.pdfОтчет показывает значимость того или иного параметра при классифика- ции с помощью логистической регрессии. Как видно из отчета, наиболее важ- ными считается парковка, общая площадь объекта недвижимости, год постройки дома, этаж, район, количество комнат и материал стен. Данные для тестирования компонентов разработанной библиотеки, были взяты по объектам города Ниж- него Новгорода. Анализ результатов показал, что наиболее предпочтительными считается последний этаж, из районов города – Канавинский, трехкомнатные квартиры и панельные дома. Все это достаточно объективно. Сейчас возрастает популярность на жилую недвижимость, находящуюся на верхних этажах домов, где открывается достаточно красивый вид на город. Канавинский район счита- ется предпочтительным благодаря своему выгодному месторасположению, здесь и транспортная развязка хорошая, и близость к железнодорожному вокзалу, цен- тру города, стадиону, паркам, наличие метро. Большую часть покупателей жилой недвижимости составляют или молодые семьи, или семьи, принявшие решение расширяться. Выбор трехкомнатных квартир обусловлен наиболее частыми ва- риантами, такими как, или детям, если их двое достается каждому по комнате, и одну для родителей, либо же комната родителей, детская и зал, а панельные дома давно завоевали доверие покупателей.
4.3. Прогнозирование цен на объекты жилой недвижимости на основе нейронных сетей
Прогнозирование цены объекта недвижимости можно сделать с помощью компонента Нейронная сеть. Для этого необходимо указать входные параметры: район, этаж, материал стен, высота потолков, год постройки, тип санузла, пар- ковка, ремонт (состояние помещения), тип жилья, общая площадь, тип жилья, количество комнат, выходной параметр – цена м2. Далее указывается структура нейронной сети: входной слой состоит из 12 нейронов, соответствующих вход- ным параметрам, один скрытый слой, состоящий из 6 нейронов, выходной слой содержит один нейрон, соответствующий полю цена.
140
Рис. 84. «Прогнозирование с помощью нейросети»
Рис. 85. «Сводная информация по прогнозированию с помощью нейросети»
Сводная информация говорит о том, что построенная модель имеет сред- нюю относительную ошибку на обучающем множестве 0,17, а на тестовом 0,18. Это говорит о том, что модель на этих данных выполняет хороший прогноз зна- чений цены.
141
Список литературы
1.Барсегян, А.А. Методы и модели анализа данных: OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненков, И.И. Холод. – Санкт- Петербург : БХВ-Петербург, 2012. – 335 с.
2.Паклин Н. Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям /Н.Б.Паклин, В.И. Орешков – СПб.: Питер, 2013. – 704 с.
3.Практикум по анализу данных на компьютере / И.А. Кацко, Н.Б. Паклин /под ред. Г.В. Гореловой – М.: КолосС, 2009. – 278 с.
4.Рафалович, В. Data Mining, или интеллектуальный анализ данных для за- нятых. Практический курс / В. Рафалович. – М.: SmartBook, 2018. – 352 c.
5.Флах, Петер Машинное обучение. Наука и искусство построения алгорит- мов, которые извлекают знания из данных. Учебник / Петер Флах. – М.:
ДМК Пресс, 2015. – 400 c.
6.Официальный сайт компании Loginom Company [Электронный ресурс]. –
Режим доступа: https://loginom.ru/.
7.Энциклопедия по Бизнес-анализу [Электронный ресурс] режим https://wiki.loginom.ru
8.Loginom – Руководство пользоавателя [Электронный ресурс]. – Режим доступа: https://help.loginom.ru/userguide/.
142
Прокопенко Наталья Юрьевна
АНАЛИТИЧЕСКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
на базе АП Loginom
Учебное пособие
Подписано в печать Формат 60х90 1/16 Бумага газетная. Печать трафаретная. Уч. изд. л. 8,5. Усл. печ. л. 8,9. Тираж 300 экз. Заказ №
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. Полиграфический центр ННГАСУ, 603950, Н.Новгород, Ильинская, 65
http://www. nngasu.ru, srec@nngasu.ru
143