So sánh các mô hình học máy trong định giá đất hàng loạt – nghiên cứu tại khu vực Cầu Giấy, thành phố Hà Nội

Tóm tắt

Trong bối cảnh thị trường bất động sản ngày càng phát triển, nhu cầu định giá nhanh chóng và chính xác với lượng dữ liệu lớn trở nên cấp thiết. Học máy đã nổi lên như một phương pháp tiềm năng nhờ khả năng xử lý dữ liệu đa dạng với độ chính xác cao, đồng thời có thể phát hiện các mối quan hệ phi tuyến tính giữa các yếu tố ảnh hưởng đến giá đất. Nghiên cứu này tiến hành so sánh bốn mô hình học máy: Random Forest (RF), Extra Tree Regressor (ETR), Gradient Boosting (GB) và Extreme Gradient Boosting (XGBoost) trong việc định giá đất tại khu vực Cầu Giấy, Hà Nội. Tập dữ liệu gồm 512 điểm giá tại khu vực Cầu Giấy với 14 thuộc tính liên quan đến thửa đất. Kết quả cho thấy mô hình XGBoost có hiệu suất tốt hơn so với ba mô hình còn lại. Bằng việc sử dụng kỹ thuật SHAP (SHapley Additive exPlanations), nghiên cứu đã xác định các yếu tố như vị trí, thời điểm giao dịch và độ rộng đường là ba yếu tố có tác động lớn nhất đến giá đất tại khu vực Cầu Giấy. Từ khóa: định giá đất hàng loạt, nghiên cứu so sánh, học máy, Cầu Giấy. SUMMARY Comparison of machine learning models for mass appraisal of residential land: A case study in the Cau Giay area, Hanoi Bui Ngoc Tu1, Man Quang Huy1, Le Phuong Thuy1 1VNU – University of Science

Từ khóa