基于大数据集的公寓租金预测比较：克里金法与深度神经网络
应用统计
2019-06-27 v1 机器学习
机器学习
摘要
基于回归模型的特征价格法已被广泛用于房地产价格和租金的预测。特别是一种称为克里金法的空间回归技术——一种在空间统计学领域发展起来的插值方法——已知能够利用房地产数据的空间依赖性实现高精度预测。与此同时，使用大（海量）数据集进行基于机器学习的预测迅速增长，其有效性已在先前研究中得到证明。然而，尚无研究展示使用大数据时克里金法与机器学习技术在预测精度上的差异程度。因此，本研究比较了日本公寓租金的预测精度，对比了能够将克里金法应用于大数据的最近邻高斯过程（NNGP）模型与代表性机器学习技术深度神经网络（DNN），特别关注数据样本量（n = 10^4, 10^5, 10^6）及预测性能的差异。我们的分析表明，随着样本量的增加，DNN 的样本外预测精度逐渐接近 NNGP，在 n = 10^6 量级时二者几乎相等。此外，研究表明，对于租金价格偏离中位数的高端和低端物业，DNN 可能比 NNGP 具有更高的预测精度。
引用
@article{arxiv.1906.11099,
title = {A comparison of apartment rent price prediction using a large dataset: Kriging versus DNN},
author = {Hajime Seya and Daiki Shiroi},
journal= {arXiv preprint arXiv:1906.11099},
year = {2019}
}