מבוא

עצי ההחלטות עומדים כאחד הכלים השקיפות והמעשיים ביותר ב-Machine Learning Toolkit, המציעים נתיב ברור מהנתונים הגולמיים לתחזיות ניתנות לפעולה.בתעשיית הנדל"ן, המודלים הללו צברו את היכולת שלהם לחזות מחירי הדיור ומגמות בשוק פני השטח כי אחרת יישארו חבויים במאגרי מידע מורכבים.עבור קונים, מוכרים ומשקיעים כאחד, להבין מה מניע ערכי רכוש הוא חיוני - והחלטות מספקות דרך לחשוף את הקבצים הדרושים, כמו גם את כל המשתנים, כמו גם את כל המשתנים, החלים של מידע על ידי כך, החל מתחומים כלכליים, ממשיכים.

מאמר זה בוחן כיצד פועלים עצי ההחלטות, כיצד הם חלים על תחזית מחירים וניתוח טרנד שוק, ומה על מתרגלים לשקול בעת פריסת אותם בתרחישים בעולם האמיתי.

מה הם עצי ההחלטות?

עץ החלטות הוא אלגוריתם למידה בפיקוח, אשר בונה מבנה דמוי זרימה כדי לקבל תחזיות או סיווגים. החל מצומת שורש, האלגוריתם חל סדרה של פיצולים בינאריים המבוססים על ערכים תכונה - כגון מיקום רכוש, קטעי ריבוע או גיל - וכבישים כל תצפית על ענף עד שהוא מגיע לצומת, שבו חיזוי הוא מוקצה.

מה שמקבל עצי החלטה נגישים במיוחד הוא הדמיון שלהם לחשיבה אנושית.כאשר סוכן נדל"ן מעריך בית, הם עשויים לשקול תחילה את המיקום, אז גודל, ואז מצב, ולבסוף שותפים אחרונים. עץ החלטה מסדיר את ההיגיון הטמון הזה למודל מתמטי.כל אחד מהצומת הפנימי שואל שאלה - "האם הנכס בקוד ZIP בעל דרישה גבוהה?" - וכל ענף מייצג תשובה.

עצי ההחלטות יכולים להתמודד הן (FLT:0) משימות 1 (למשל, האם השוק יעלה או למטה?) ו-FLT:2regressionFLT 3 משימות (למשל, מה יהיה מחיר המכירה?) באפליקציות דיור, עצי רגרסציה הם הבחירה הנפוצה יותר, כפי שהם מייצרים ערכים רצופים כמו דולרים.

כיצד עץ ההחלטות צופה מחירי הדיור

תחזית מחירי הדיור עם עץ החלטה מתחילה עם איסוף נתונים של מכירות נכסים היסטוריים.כל שיא כולל את מחיר המכירה (משתנה היעד) ומערך של תכונות המתארות את הנכס וסביבתו.ה האלגוריתם מחלק את הנתונים למצעים שהם כה הומוגניים ככל האפשר ביחס למחיר.זה עושה זאת על ידי בחירת התכונה וצמצום החיזוי הזה - בדרך כלל נמדד בטעות מרובעת (MSE) במשימות regression).

לדוגמה, המודל עשוי למצוא כי פיצול על המיקום הראשון מניב את ההפחתה הגדולה ביותר בשגיאות.נכסים בשכונות ביקוש גבוה נשלחים לזרוע אחת, בעוד אלה באזורים בעלי דרישה נמוכה יותר הולכים זה לזה. בתוך הענף בעל הביקוש הגבוה, העץ עשוי לפצל על קטעי ריבוע: בתים מעל 2,000 מטרים רבועים יוצרים תת-קבוצה אחת, אלה מתחת לצורה אחרת.

דוגמה: עץ החלטה לנכסים

  1. (ב) התפלגות:0) ,00 (Root divided: FLT:1 שכונות החציון מעל 75,000 $?veph:2     אם כן, ללכת לצומת 2; אם לא ללכת עד 3.
  2. (ב) כרך 2:00 (לאד 2:03) 1 (ב) , 000 מ"ר:2) ו-nbsp;   אם כן, צפוי מחיר: 425,000 $; אם כן, לא יעלה על הדעת: $ $ $ $ $.
  3. (ב) ⁇ :0) ⁇ : ⁇ =הבאה: [=]ה' [=ה'], [=ה'] ,[ה]], אם כן, מחיר הנבא: 240,000 דולר; אם לא יעלה על הדעת: 175,000 דולר.

עץ פשוט זה מראה כיצד מודל יכול להגיע לארבע תחזיות מחירים נפרדות בהתבסס על שלוש תכונות. במערכות ייצור, עצים הם בדרך כלל עמוק יותר - 10 עד 20 רמות - ואימון בעשרות תכונות.הפיצול חוזר נמשך עד קריטריון עוצר, כגון מספר מינימלי של דגימות עלה או עומק עץ מקסימלי.

תכונות עיקריות לחיזוי מחירים

הכוח הנבאי של עץ החלטה תלוי במידה רבה באיכות וברלוונטיות של תכונות קלט.במודלים במחירי הדיור, קטגוריות התכונות הבאות מציגות חשיבות גבוהה באופן עקבי:

  • (FLT:0) תכונות פיזיות: איור 1 של ריבוע, גודל רב, מספר חדרי שינה וחדרי אמבטיה, מספר סיפורים, יכולת מוסך, מצב רכוש, ושנה נבנות.
  • (FLT:0) אותות:00 (FLT:1) קוד ZIP או שכונה, דירוגי מחוז בית הספר, סטטיסטיקות פשע, ציוני הליכה, וקרבה להסעה ציבורית, כבישים, פארקים, בתי חולים ומרכזי קניות.
  • (FLT:0) הקשר בין:EsFLT:1 (המחירים האחרונים של נכסים דומים) ימי מדיה בשוק, מחיר הרישום ביחס לערכת ערך, ורמות מלאי באזור המיידי.
  • (FLT:0) אינדיקטורים ארגונומיים: שיעור התעסוקה המקומי של FLT:1, ההכנסה הביתית החציונית, מגמות גידול האוכלוסייה, ושיעורי ריבית משכנתא.
  • (ב) אות טמפל:0) אותות טמפל: עונה 1:1 של מכירה, שנה של שיפוץ אחרון, וזמן מאז שהנכס שינה את הידיים האחרונות.

הנדסה תכונה ממלא תפקיד קריטי בשיפור ביצועי המודל.יצירת תכונות נגזרות - כגון מחיר רגל מרובע על ידי שכונה, מרחק לבית הספר הקרוב ביותר, או ציון הליכה מורכב - יכול ללכוד דינמיות מקומיות כי תכונות גולמיות מתגעגעות. לדוגמה, יחס של הרבה גודל לאזור חי עשוי לעזור להבחין בין condos מבתי משפחה בודדים באופן שבו קטעי גלם לבד לא יכול.

תחזית מגמות שוק רחב יותר

מעבר לשווי רכוש אישי, עצי ההחלטות מוחלים על מגמות השוק.על ידי אימון על נתונים מצטברים - כגון מדדי מחיר בית אזורי, שינויים בשער המשכנתא, בניית כרכים, תביעות אבטלה - מודלים אלה יכולים לסווג את השלבים בשוק או לחזות תנועות כיוון.

לדוגמה, עץ הסיווג עשוי להיות מאומן לענות: "האם מחיר הבית החציוני באזור מטרופוליני נתון עולה או ליפול מעל הרובע הבא?", התכונה שמודל כזה יכול לכלול:

  • שינוי של שלושה חודשים ביחס מלאי-אל-מכירה
  • שינוי שנתי ביומיים החציוניים בשוק
  • רישיון בנייה חודשית נחשבות לבתים חד-משפחתיים
  • שיעור האבטלה המקומי וגידול השכר
  • מדד האמון לצרכנים באזור

עץ אמיתי בעולם עשוי ללמוד כי כאשר יחסי מלאי-אל-מכירה יורד מתחת ל- 4.0 חודשים וצמיחת התעסוקה עולה על 2% בשנה, המחירים צפויים לעלות - וכי דפוס זה מחזיק חזק ביותר בשווקים עם גידול האוכלוסייה מעל 1.5%.

עצי ההחלטות תומכים גם בתחזיות שוק גדולות יותר, כגון "שוק הקונה החזק", "שוק מאוזן", "שוק המוכר", או "שוק המוכר חזק", "האגודה הלאומית של מתווכים וגופים אחרים בתעשייה מפרסמים נתונים שיכולים להאכיל ישירות למודלים אלה.

היתרונות של שימוש בעץי החלטות בנדל"ן

מתרגלים בוחרים עצי החלטות מסיבות מעשיות רבות שמתאימות היטב לדרישות ניתוח הנדל"ן:

  • (FLT:0) בין-מידתיות: 1) ניתן לדמיין את מבנה העץ ולהסביר ללקוחות, למלווים או הרגולטורים שעשויים להיות חסרים הכשרה טכנית.
  • (FLT:0)Mixed Data Support:FLT:1 Trees מטפלות הן תכונות קאוליאוריות (neighborhood, סגנון, סוג גג) ותכונות מספריות (צילומים, מחיר) מבלי לדרוש טבילה אחת או קנה מידה.
  • (FLT:0) עיבוד מוקדם: FLT:1hil אין צורך לנרמל או סטנדרטיזציה תכונות, אשר מפשט צינורות נתונים ומפחית את הסיכון של שגיאות בייצור.
  • (FLT:0) מודלים לא-לינאריים: 1FLT:1 Trees באופן טבעי ללכוד אינטראקציות ואפקטי הסף.לדוגמה, ערך הבריכה עשוי להיות שונה באופן משמעותי על ידי אזור האקלים - עץ לומד את זה באופן אוטומטי.
  • (FLT:0) תאימות של ⁇ : עצי החלטות בודדים ניתן לשלב לתוך יערות אקראיים או מודלים מתועבים (XGBoost, LightGBM, CatBoost) כדי להשיג דיוק גבוה יותר תוך שמירה על יתרונות מפרשים רבים באמצעות כלים כמו ערכי SHAP.

מודלים אוטומטיים של שווי (AVMs) בשימוש על ידי פלטפורמות נדל"ן גדולות - כולל Zestimate של Zillow ו- Redfin's Assessment - מסתמכים על שיטות עץ הרכב כרכיבי ליבה של מנועי החיזוי שלהם.

הגבלות ושיקולים

למרות היתרונות הרבים שלהם, עצי ההחלטות יש חולשות מטופחות היטב כי מתרגלים חייבים לנהל בזהירות.

Overfitting

עצי ההחלטות נוטים להתפייס, במיוחד כאשר הם גדלים לעומקם המלא.עץ שמשנן באופן מושלם את נתוני האימון - כולל רעש - יגבירו את העניים לנכסים חדשים.

  • (ב) ⁇ :0 (החלים): ⁇ (החלים) 1:1) , הסרת צמתים המספקים שיפור סטטיסטי מועט, באמצעות נפיחות עלות-מורכבות (CCP) או שיטות דומות.
  • (ב) ,0) מגבלות: 1FLT (הדגשה על עומק עץ מקסימלי כדי להגביל כמה פיצול המודל יכול לעשות.
  • (ב) גודלו של ה-FLT:0) של כל עלה כדי להכיל כמות מינימלית של דגימות הכשרה, שמשתלבת תחזיות ומפחיתה את השחלות.

חוסר יכולת

שינויים קטנים בנתונים של אימון – כגון הוספת או הסרת רכוש יחיד – יכולים לייצר מבנה עץ שונה מאוד.חוסר יציבות זה חותר תחת אמון באמינות המודל. שיטות האנסמבל הן התרופה היעילה ביותר: ממוצעי יערות אקראיים על פני מאות עצים שהוכשרו על גבי מערכי נתונים מפוספים, התשואות תחזיות יציבות ומדויקות.

תגית: Bias

ניתן להטיה לעצים החלטות לגבי תכונות עם רמות שונות רבות, כגון קוד ZIP או מזהה רכוש. תכונות אלה עלולות לשלוט בפיצולים גם כאשר הם לא באמת המהנדסים החיזויים ביותר, קבוצות קטגוריות נדירות, או באמצעות סדיריזציה יכול לעזור לטפל בבעיה זו.

תוספת מוגבלת

עצי ההחלטות לא יכולים לחזות ערכים מחוץ לטווח שנצפו בנתונים האימונים.אם אין בית במערכת האימונים הנמכרים ביותר מ-1.5 מיליון דולר, המודל אינו יכול לייצר מחיר מעל סף זה, גם אם השוק מוערך באופן משמעותי.זהו הגבלה קריטית בשווקים מעריכים במהירות או בעת יישום מודל לפערים מותרות שלא מיוצגים בנתונים של הכשרה.

עבור סקירה טכנית מפורטת יותר, תיעוד FLT:0scikit-learn על עצי החלטות ראטמב 1 מספק טיפול יסודי של אלגוריתמים, פרמטרים, ושיטות הטובות ביותר.

השוואה עם גישות דוגמנות אחרות

עצי ההחלטות תופסים מקום ייחודי בספקטרום של מודלים חיזויים.הבנת נקודות הכוח והחולשות שלהם ביחס חלופות עוזר למתרגלים לבחור את הכלי הנכון למשימה נתונה.

קואר רגרסיה

רגרסיה קואר מניחה שיחסים ליניאריים בין תכונות למחיר.זה מאוד מפרש - כל אחד מהם הוא יעיל ישירות לכמת את ההשפעה של תכונה - אבל זה לא יכול ללכוד אינטראקציות או דפוסים לא לינאריים ללא תכונה ידנית של עצים החלטות להתמודד עם דפוסים אלה באופן אוטומטי, אבל מודלים ליניאריים מפרשים מעבר לאימון נתונים בצורה אמינה יותר.

רשתות

רשתות עצביות עמוקות יכולות מודל מורכב, מערכות יחסים גבוהות, ולעתים קרובות להשיג דיוק המדינה של האמנות על נתונים גדולים מאוד.עם זאת, הם דורשים כוונון נרחב, כמויות גדולות של נתונים, ומשאבים חישוביים משמעותיים שלהם, חוסר יכולת הפירוש שלהם הופך אותם קשה לפרוס בתרחישים שבהם בעלי העניין דורשים שקיפות.עצים החלטות מציעים איזון טוב יותר של דיוק וסבירות עבור רוב מקרי השימוש הנדל"ן.

עץ רטוב-Boosted Trees

שיטות כמו XGBoost ו LightGBM לבנות אנסמבלים של עצים באופן משמעותי, עם כל עץ חדש תיקון שגיאות שנעשו על ידי אלה הקודמים. אלה מודלים ראשיים באופן עקבי בתחרויות נתונים לשוניים והם בשימוש נרחב בייצור AVMs. הם שומרים רבים היתרונות של עצי החלטה בודדים - כגון טיפול בנתונים מעורבים הדורש עיבוד מינימלי - תוך מתן דיוק גבוה יותר.

יישומים אמיתיים ומכשירים

מודלים של עץ החלטות כוח מגוון של יישומים בעולם האמיתי בתחום הנדל"ן, השקעות ותכנון עירוני.

  • (FLT:0) מודלי Valuation (AVMs): 1FLT בשימוש על ידי מלווים כדי להעריך ערכי רכוש עבור משכנתא מתחת לכתיבה ועל ידי משקיעים כדי להציג רכישות פוטנציאליות.מודלים עץ האנסמבל מהווים עמוד השדרה של AVMs מסחריים רבים.
  • (FLT:0) משיכת הקרנה: 1.10.10.1 קרנות הון ואמון השקעות נדל"ן (REITs) משתמשים בעצי החלטות כדי לזהות שווקים עם פרופילים נוחים של סיכון על ידי ניתוח אינדיקטורים כלכליים, מגמות דמוגרפיות, מחזורי מחירים היסטוריים.
  • (FLT:0) הערכת מס פרופרטנטית: ממשלות מקומיות מעסיקות מודלים המבוססים על עץ כדי להעריך ערכי שוק הוגנים למטרות הערכת מס, מתן עקביות ושקיפות בתהליך ההערכה.
  • (FLT:0) תמחור של ביטוח ביתי: 1FLT:1 נושאות ביטוח ביתי משתמשים בעצי החלטות כדי מודל גורמי סיכון כגון מיקום, סוג בנייה, והיסטוריה קטסטרופה מקומית כדי להגדיר פרמיות.

ספרי קוד פתוח הופכים את זה פשוט ליישם את המודלים האלה:0 (XGBOst Documentsph 1) מציע מדריכים מקיפים הן למשימות רגרסציה והן לסיווג, ו-FLT:2 LightGBM תיעוד של LT:3FLT מספק להתמקד ביעילות ובמידתיות עבור נתונים גדולים.

הערכת ביצועי המודל

הערכה נכונה היא חיונית כדי להבטיח שמודל עץ החלטה יבצע היטב על נתונים לא נראים.

  • (FLT:0)Train/validation/test Divides:03FLT) 1:1 שמור חלק מהמידע עבור בדיקות סופיות, עם מערכת אימות נפרדת המשמשת לכוונון יתר.
  • (FLT:0Cross-validation: FIRLT:1) כפול C-fold cross-validation (בדרך כלל 5 או 10 קפלים) מספק הערכה חזקה של ביצועי מודל ומסייע לזהות overfitting.
  • (FLT:0) מדדים רלוונטיים: FLT:1 עבור תחזית מחירים (regression), מדדים נפוצים כוללים שגיאה אבסולוטית (MAE), שורש שגיאות מרובע (RMSE), ו R-squared (R2) עבור סיווג שוק, דיוק, דיוק, זיכרון, וציון F1 מתאימים.
  • (FLT:0) ניתוח חשיבות ערך: FLT:1 Testingining אשר כולל את בחירת העץ עבור פיצולים מספק תובנה דינמיקה בשוק ויכול להנחות הנדסה תכונה.

מודל עץ מתואם היטב על מנת לקבל נתונים טיפוסיים של דיור - אומר 10,000 עד 50,000 רשומות עם 20 עד 50 תכונות - יכול להשיג R2 בטווח של 0.75 ל 0.90, בהתאם למורכבות השוק ואיכות הנתונים. שיטות אנסמבל דוחפות באופן עקבי זה גבוה יותר, לעתים קרובות מעל 0.90 על אותו נתונים.

כיוונים עתידיים

ככל שהנפח והמגוון של נתוני הנדל"ן ממשיכים להתרחב, שיטות עץ ההחלטות יפתחו לצדם.כמה מגמות שווה לצפות:

  • (FLT:0) אינטגרציה עם נתונים גיאוגרפיים: אנדרט 1 תכונות הוספת שמקורם בדימויים לוויין, נתוני נוף רחוב ושכבות GIS - כגון קרבה לחלל ירוק, אזורי שיט, או תחנות תחבורה חדשות - הופכת נפוצה יותר והיא מתאימה לדגמים המבוססים על עץ.
  • מודל התמחור בזמן אמת: FLT:1Build data from list Feeds and Economic Reports מאפשר מודלים המעדכנים מדי יום, ומספקים הערכות עדכניות יותר מאשר מודלים מסורתיים של רבעון או שנתי.
  • (FLT:0) הסביר AI (XAI): לחץ מילואים 1:1 , ביטוח הוא דרישה עבור מודלים שיכולים לספק הסברים ברורים, ביקורתיים לכל חיזוי עצי ההחלטות והרכבים שלהם ממוקמים היטב כדי לעמוד בדרישות אלה.

מסקנה

עצי ההחלטות מציעים גישה מעשית, מפרשת ורבת עוצמה לחיזוי מחירי הדיור וניתוח מגמות השוק.היכולת שלהם להתמודד עם סוגי נתונים מעורבים, ללכוד מערכות יחסים לא לינאריות, לייצר תחזיות שקופות הופכת אותם להתאמה טבעית ליישומים נדל"ן שבהם בעלי העניין צריכים להבין ולבטוח בתפוקה של המודל, בעוד אתגרים כגון overfitting וביקוש ניהול קפדני, טכניקות מבוססות כמו קידוד ושיטות הרכב יעילות, כמו פיתוח נתונים ולמידה מתקדמת יותר, כמו גם מודלים של ציוד עבודה מרכזי של מודלים של ציוד עבודה, כמו מודלים מתקדמים יותר, כמו מודלים של ציוד עבודה, כמו מודלים מתקדמים, כמו מודלים של ניהול ביצועים, כמו מודלים מתקדמים יותר, כמו מודלים של ניהול ביצועים, כמו מודלים של ניהול ביצועים מתקדמים יותר, כמו מודלים של ניהול ביצועים מתקדמים יותר, כמו מודלים של ניהול ביצועים, כמו גם מודלים של ניהול, כמו גם מודלים של ניהול יתר על בסיס קבוע, כמו מודלים של ניהול, כמו גם מודלים של ניהול ביצועים, כמו מודלים של ניהול ביצועים מתקדמים, כמו גם מודלים של ניהול, כמו מודלים של ניהול יעיל, כמו מודלים של ניהול ביצועים מתקדמים, כמו מודלים של ניהול יתר של ניהול ביצועים מתקדמים, כמו גם מודלים של ניהול ביצועים, כמו מודלים של ניהול, כמו מודלים של ניהול, כמו גם מודלים של ניהול ביצועים מתקדמים, כמו מודלים של ניהול ביצועים מתקדמים יותר, כמו מודלים