Modell for prediksjon av eiendomspriser i Oslo

Abstract

Formålet med denne oppgaven var å bruke maskinlæring til å lage en modell for å kunne predikere eiendomspriser i Oslo. En typisk modell å bruke for prispredikering er hedonisk prismodell. Med bakgrunn i dette har vi også valgt å se på hedonisk prismodell, både som sammenligningsgrunnlag og for å bedre forstå hvordan prispredikering vanligvis foregår. For å utvikle modellene våre har vi brukt nevrale nettverk og hedonisk regresjon. Datasettet vårt inneholdt mange datapunkter og vi har begrenset modellen våres en del. Dette betyr også at bruksområdene til modellene er begrenset.

Vi har utviklet to modeller med nevrale nettverk, hvor den ene har en makspris på bolig på 15 millioner kroner (ordinær modell), mens den andre har en makspris på 5 millioner kroner (modell for førstegangskjøper). Når vi begrenser maksprisen til 5 millioner kroner ser vi på boliger som kanskje er mest interessante for førstegangskjøpere. Videre har vi utviklet to modeller hvor vi har brukt hedonisk metode. Den ene modellen er det brukt multippel regresjon uten noen tilpasninger, med de samme begrensningene som er benyttet i ordinær modell. I den andre modellen er det gjort en logaritmisk transformasjon av den avhengige variabelen, og dataen er begrenset på samme måte som i modell for førstegangskjøpere. Vi fikk svært lovende resultater fra modellene, hvorpå den ene modellen hadde en R2- score opp mot 90%.

Konklusjonen fra denne oppgaven er at hvilken modell som er best, avhenger av bruksområdet som modellen benyttes til. Ønsker man en modell hvis virkemåte er enkel å forstå bør man velge en av modellene som benytter hedonisk regresjon, mens modellene som benytter nevrale nettverk gir økt presisjon. Er presisjon særlig viktig, bør man velge en av modellene med utvidete begrensninger i dataene, og vice versa.

The purpose of this thesis is to utilize machine learning to make a model that could predict real estate prices in Oslo. A typical model to use for price prediction is hedonic price model. With this in mind we have also chosen to look at hedonic price model, both as basis for comparison and to get a better understanding of how price prediction usually takes place. To develop our models, we have used neural networks and hedonic regression. Our dataset contained many data points and based on this we limited our models quite a bit. This also means that the models cannot be used in a lot of areas.

We have developed two models with neural networks, where one of them have a maximum price on housing of 15 million NOK (ordinary model), while the other have a maximum price of 5 million NOK (model for first time buyers). When we limit the maximum price to 5 million NOK, we look at housing that may be most interesting for first time buyers. Furthermore, we have developed two models using hedonic price model. On the first model we have used multiple regression without any adjustments, but with the same limitations used in the ordinary model. In the second model there is done a logarithmic transformation of the dependent variable, and the data is limited in the same way as the model for first time buyers. We got very promising results from our models, where one of them had an R2-score closing to 90%.

The conclusion from this thesis is that the models that performs the best, depends on the area of use. If you want a model that are easy to use, you should use one of the models that are based on hedonic price model. The models using artificial neural network gives better precision. If precision is especially important, you would choose one of the models with extended restrictions, and vice versa.