머신러닝을 이용한 공동주택 가격 추정: 서울 강남구 사례를 중심으로 = Estimation of the Apartment Housing Price Using the Machine Learning Methods: The Case of Gangnam-gu, Seoul
저자
발행기관
학술지명
권호사항
발행연도
2017
작성언어
Korean
주제어
자료형태
학술저널
수록면
293-309(17쪽)
제공처
본 연구는 부동산 가격 산정에 있어서 머신 러닝 방법의 적용 능성을 검토하였다. 서울시 강남구를 사례지역으로 선정하였고, 2016년 신고 된 거래사례를 이용하여 아파트 가격을 추정하였다. 머신 러닝 방법인 서포트 벡터 머신(support vector machine, SVM), 앙상블 모형(ensenble model), 심층신경망(deep neural networks, DNN)의 예측력이 다중회귀분석(multiple regression analysis, MRA)모형보다 우수한 것으로 나타났다. 머신 러닝 방법 중에서는 GBRT(gradient boosting regression tree, GBRT)의 예측력이 다른 머신 러닝 방법보다 우수하나 그 정도는 미미한 수준인 것으로 나타났다. 추가적으로 추정된 아파트 가격에 공시비율을 적용하여 과세가격을 산출하였다. 머신러닝 모형에 의해 산출된 과세 가격은 실제 과세 가격보다 실거래가반영률이 높았으며 과세 형평성 조건도 충족하고 있는 것으로 나타났다. 향후 머신 러닝 방법을 활용함으로써, 과세 평가와 같은 대량 평가에 있어서 업무 효율성을 향상시키는데 도움이 될 것으로 기대된다.
더보기This study examined the applicability of the machine learning methods to the real estate valuation. Gangnam-gu, Seoul was chosen as a study area and the housing prices were estimated using the sales cases collected in 2016. The predictive power of the machine learning methods such as SVM(support vector machine), Ensenble Model and DNN(deep neural networks) is superior to that of the multiple regression analysis(GRA) methods. Among the machine learning methods, the predictability of the GBRT(gradient boosting regression tree) model is slightly superior to that of the others. In addition, we estimated the assessment prices by applying a assessment ratio to estimated housing prices. The assessment values estimated by the machine learning methods reflect the actual transaction prices better than the actual assessment values do, and satisfy the taxation equity requirements. Drawing on the machine learning methods, it is hoped that this study will help improve the efficiency of mass appraisal such as the housing assessment.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)