跳到主要內容

臺灣博碩士論文加值系統

(44.201.97.0) 您好!臺灣時間:2024/04/15 12:14
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:許雅晶
研究生(外文):HSU, YA-CHING
論文名稱:房價預測模型-以新北市林口區為例
論文名稱(外文):House Price Valuation Model - An Example of Linkou District, New Taipei City
指導教授:洪大為洪大為引用關係
指導教授(外文):HUNG, TA-WEI
口試委員:林明華洪大為李建國
口試委員(外文):LIN, MING-HUAHUNG, TA-WEILI, CHIEN-KUO
口試日期:2022-07-14
學位類別:碩士
校院名稱:實踐大學
系所名稱:資訊科技與管理學系碩士班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2022
畢業學年度:110
語文別:中文
論文頁數:36
中文關鍵詞:房價不動產實價登錄房價預測模型機器學習
外文關鍵詞:house pricereal-price registrationhousing price prediction modelmachine learning
相關次數:
  • 被引用被引用:1
  • 點閱點閱:272
  • 評分評分:
  • 下載下載:84
  • 收藏至我的研究室書目清單書目收藏:0
房產在華人眼中是家庭的代名詞,買房往往是一生中的一個階段里程碑,房子能夠為一個家庭遮風擋雨,能夠使獨立的個體間有私人空間,能夠當作是在投資理財,房子能夠代表很多事情,買房的話題常常在朋友聚餐、家庭聚會的場合聽到,許多人覺得買到房子能夠獲得一種成就感,因此房價問題常常是人們日常關心的議題之一。
本文主要使用新北市林口區的房價資料,此區近年來由於經濟發展的關係,房價一直是雙北地區關心的話題。資料由內政部不動產成交案件實際資訊資料供應系統上所提供的實價登錄資料及中華民國統計資訊網上所統計的經濟相關資料,時間軸的起訖為2020年1月至2021年12月,為期共2年,因為此期間的資料接近最新狀況,也較為完整。本文參考以往的房價預測模型欄位,使用機器學習的方式建構同樣變數的模型。本文分別使用了隨機森林回歸法、支持向量回歸法、K-近鄰演算法、決策樹回歸法和四種演算法集成的堆疊法,共五種方式建置房價預測模型,結果顯示隨機森林回歸法與堆疊法的誤差率是相同的,但與參考之論文相比,模型誤差並未獲得改善,推測原因為並未像參考之論文一樣將資料進行切割分類。

In the eyes of Chinese people, real estate is synonymous with family. Buying a house is a milestone in life. A house protects a family from wind and rain. It can cover independent individuals and have private space. It can be financial management. It is often heard in friends' occasions at dinners and family gatherings, and many people have gained a feeling in buying houses, so housing prices are often the topic of daily topics.
This paper mainly uses the housing price data of Linkou District, New Taipei City. Due to the economic development of this area in recent years, housing price has always been a topic of concern in Taipei City and New Taipei City. The data is obtained from the real-price registration data provided by the Ministry of the Interior's real estate transaction information supply system and the economic-related data on the statistical information website of the Republic of China. The time axis starts and ends from January 2020 to December 2021. A total of 2 years, because the data during this period is close to the latest state and relatively complete. This paper refers to the previous column of housing price prediction models, and use machine learning to construct models with the same variables. In this paper, random forest regression, support vector regression, K-nearest neighbor algorithm, decision tree regression and the stacking method of the integration of four algorithms, a total of five ways to build a housing price prediction model. The results show that the error rate of the random forest regression method and the stacking method is the same, but compared with the reference paper, the model error has not been improved. It is speculated that the reason is that the data is not cut and classified like the reference paper.

第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的與方法 3
第三節 論文架構 3
第二章 文獻探討 4
第一節 房價模型 4
第二節 政府資料開放 6
第三節 機器學習 9
第三章 研究方法 12
第一節 資料取得 12
第二節 資料正規化與合併 13
第三節 Stacking模型中的演算法 15
第四章 實驗設計與結果 20
第一節 實驗設計 20
第二節 實驗結果 23
第五章 結論與未來發展 27
第一節 結論 27
第二節 未來發展 27
參考文獻 29

一、中文
1. 林惠敏(2016),不動產實價登錄資料結合複回歸分析法的台灣房價估算模型之研究,實踐大學,實踐大學資訊科技與管理學系碩士論文。
2. 邱司杰(2014),基於實價登陸的房價模型研究,交通大學,交通大學資訊科學與工程研究所碩士論文
3. 毛麗琴(2009),房屋價格預測模型分析—以高雄市區為例,商業現代化學刊,第5卷,第1期,頁31-42
4. 黃惠芬(2017),以類神經網路方法建構房價估價模型 — 以高雄市實價登錄資料為例,國立高雄應用科技大學,金融資訊碩士班
二、英文
5. George,M.(2017), Automated Valuation Models (AVMs): A brave new world? Wroclaw Conference in Finance 2017,(Wroclaw, Poland).
三、網路
6. Sarah S.(2021),What Is An Automated Valuation Model? ,取自
https://www.rocketmortgage.com/learn/automated-valuation-model
7. 內政部不動產成交案件實際資訊資料供應系統,取自
https://plvr.land.moi.gov.tw/DownloadOpenData
8. 臺北地政e博館 – 實價登錄制度,取自
https://emuseum.land.gov.taipei/Item/DetailDiscover/%E5%AF%A6%E5%83%B9%E7%99%BB%E9%8C%84%E5%88%B6%E5%BA%A6?businessType=%E5%88%B6%E5%BA%A6&discoverType=%E5%9C%B0%E5%83%B9

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top