KCI등재
머신러닝과 통계 모형을 이용한 미술품 가격 예측 = Predicting Art Price using Machine Learning and Statistical Models
저자
발행기관
학술지명
Journal of the Korean Data Analysis Society(Journal of The Korean Data Analysis Society)
권호사항
발행연도
2024
작성언어
-주제어
KDC
310
등재정보
KCI등재
자료형태
학술저널
수록면
117-134(18쪽)
DOI식별코드
제공처
The art market is comprised of complex cultural, economic, and social characteristics and has recently received a lot of attention. Art transactions are carried out in a variety of ways, of which art auctions account for a large portion. We collected auction data on Post-War and Contemporary Art artists born after 1920 from Artnet and implemented an art price prediction model. In addition to the hedonic price model commonly used in existing studies, price prediction performance was compared using various machine learning models such as regression model, random effects model, regularization model, tree-based model, and SVM. To compare various machine learning models, RMSE and MAE were compared using two cross-validation methods. As a result, the nonlinear random effects model using author information showed the good performance. The impact of explanatory variables on price was analyzed using the optimal model. In addition, we were able to obtain price curves of various patterns according to the passage of time for each author. Among machine learning models that do not use author information, Bagging showed the best performance. As a result of measuring the importance of variables through Bagging, it was found that the size of the work had the most influence in predicting the price, followed by the artist's year of birth, the method of painting, the material with which the painting was painted, and the year of production.
더보기미술 시장은 복합적인 문화, 경제, 사회적 특성으로 이루어져 있으며 최근 많은 관심을 받고 있다. 미술품 거래는 다양한 방식으로 이루어지며, 이중 미술품 경매는 큰 비중을 차지한다. 1920년 이후 출생한 Post-War and Contemporary Art 작가들의 경매 자료를 Artnet로부터 수집하여, 미술품 가격 예측 모형을 구현하였다. 기존 연구에서 일반적으로 사용되던 헤도닉 가격 모형 외에 회귀모형, 임의효과 모형, 정규화 모형, 트리 기반 모형, SVM 등 다양한 머신러닝 모형을 사용하여 가격 예측 성능을 비교하였다. 다양한 머신러닝 모형들을 비교하기 위해 두 가지 교차검증 방법을 사용하여 RMSE와 MAE를 비교하였다. 그 결과, 작가 정보를 활용하는 비선형 임의효과 모형이 우수한 성능을 보였다. 비선형 임의효과 모형을 사용하여 설명변수들이 가격에 미치는 영향을 분석하였다. 작가별로 시간의 흐름에 따른 다양한 패턴의 가격 곡선을 관찰할 수 있었다. 작가 정보를 활용하지 않는 머신러닝 모형 중에서는 Bagging이 가장 좋은 성능을 보였다. Bagging을 통해 변수 중요도를 구해본 결과 작품의 크기가 가격 예측에 있어 가장 영향력을 끼치는 것으로 나타났으며, 작가의 출생연도, 그림을 그린 방식, 그림을 그린 재질, 제작연도가 그 뒤를 이었다.
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)