Details

Выпускная квалификационная работа на тему: «Программная система анализа и прогнозирования при подборе жилья для продажи или аренды». В данной статье исследуется взаимосвязь между ценами на жильё и различными факторами в нескольких крупных городах Китая, а также разрабатывается модель прогнозирования. Основные методы решения включают визуализацию данных и машинное обучение. Задачи, решённые в ВКР: 1. Обработка наборов данных. 2. Классификация и анализ данных. 3. Алгоритм дерева подъёма LGBM, основанный на scikit - learn, предсказывает характеристики существующих данных. 4. Визуализация данных с помощью динамической библиотеки Plotly. 5. Разработка системы анализа и прогнозирования цен на жилье. 6. Была проведена экспериментальная оценка системы анализа и прогнозирования цен на жилье. В исследовании была создана система анализа и прогнозирования цен на жилье с более высокой точностью оценочных показателей в пределах 90% - 95%, в то время как значения погрешностей, такие как MAE и RMSE, также находятся в меньших числовых диапазонах, что указывает на общее меньшее отклонение между прогнозными результатами модели и реальными значениями. С помощью этого приложения правительственные регулирующие органы могут понять текущую ситуацию на рынке с помощью аналитических модулей, разработчики оптимизируют темп толкателя с помощью модуля прогнозирования, а индивидуальные инвесторы могут разрабатывать стратегии покупки и продажи жилья и аренды с помощью двухмодульной связи.

Graduation thesis on the topic: «Analysis and prediction software system for selecting properties for sale or lease» This article examines the relationship between housing prices and various factors in several major Chinese cities, and develops a forecasting model. The main solution methods include data visualization and machine learning. Tasks solved in the WRC: 1. Dataset processing. 2. Data classification and analysis. 3. Based on Scikit Learn, the LGBM lifting tree Palgorithm predicts the characteristics of existing data. 4. Use the dynamic library plotly to visualize data. 5. Establish a housing price analysis and prediction system. 6. A pilot evaluation was conducted on the housing price analysis and prediction system. The study created a system for analyzing and forecasting housing prices with a higher accuracy of estimates in the range of 90% - 95%, while error values such as MAE and RMSE are also in smaller numerical ranges, indicating an overall smaller deviation between the predicted results of the model and the real values. With this app, government regulators can understand the current market situation through analytical modules, developers optimize the pace of the pusher through a forecasting module, and individual investors can develop strategies for buying and selling homes and rentals through two-module communication.