earticle

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.

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.