Earticle

초록

한국어

본 연구의 목적은 다양한 기계 학습 기법들이 서민 주거지로서 중요한 역할을 맡고 있으면서도 부동산 관련 연구 분야에서 소외되어온 다세대 주택의 가격 예측에 활용되는 과정과 각 기법의 예측 결과를 분석하고 조 사하는 것이다. 더불어 특정 지역 내 다세대 주택 가격 형성에 영향을 미치는 주요 속성 변수를 추출하고 전처리 하는 과정을 진행하였다. 서울시 마포구의 2020년부터 2022년까지 수집된 다세대 주택 실제 매매 데이터를 사례 로 MRA(다중 회귀 분석), RF(랜덤 포레스트), XG Boosting(XG 부스팅), Deep Learning(딥러닝)과 같은 4가지 기계 학습 방법의 예측 능력을 비교 분석하였으며, 다세대 주택의 가격을 평가하고 산정하는 작업에 있어 우수한 예측 성능을 가진 기계 학습 기법을 식별하고자 하였다. 본 연구 결과는 특정 지역의 데이터 셋을 구축하여 실험 적인 결과를 얻은 것이지만, 향후 다양한 지역 및 유형의 부동산 매물에도 적용 가능한 예측 모델을 개발하고자 시도하였다.

영어

The aim of this study is to explore the application processes and analyze the predictive outcomes of various machine learning techniques in predicting multi-unit housing prices. Additionally, we conducted the extraction and preprocessing of key attribute variables influencing multi-unit housing prices in a specific region. Using actual transaction data from Mapo-gu, Seoul, spanning from 2020 to 2022, we compare the predictive capabilities of four machine learning methods: Multiple Regression Analysis(MRA), Random Forest(RF), XG Boosting, and Deep Learning. Our goal is to identify a machine learning technique with superior predictive performance for evaluating and estimating multi-unit housing prices. While the study's findings are based on experimental results from a specific regional dataset, we strive to develop a predictive model applicable to diverse regions and various real estate listings.

목차

요약
Abstract
Ⅰ. 서론
1.1 연구 배경 및 목표
1.2 선행 연구 조사 및 차별성
1.3 연구 설계 및 구성
Ⅱ. 데이터 셋 구축 및 전처리
2.1 데이터 수집 및 분석
2.2 데이터 분석 및 전처리
III. 모델 구축 및 성능 분석
3.1 모델 생성 및 학습
3.2 예측 및 성능 테스트 실험
Ⅳ. 결론 및 시사점
REFERENCES

저자

• 조진형 [ Jinhyung Cho | 동양미래대학교 AI소프트웨어학과 ] Corresponding Author
• 강환수 [ Hwansoo Kang | 동양미래대학교 AI소프트웨어학과 ]
• 박규태 [ Kyutae Park | (주)에이아이온 ]
• 조유림 [ Yoorim Cho | (주)에이아이온 ]

참고문헌