CC BY
0УДК: 004.8 EDN: ELAMMI
DOI: https://doi.org/10.47813/2782-5280-2024-3-2-0212-0218
Разработка модели K-Means для выявления наиболее выгодных предложений на рынке недвижимости Москвы
М. А. Зуев, В. М. Шибаев, К. С. Баланев
ФГБОУВО «НИУ «МЭИ», г. Москва, Россия
Аннотация. В статье рассматривается применение модели кластеризации K-Means для анализа рынка недвижимости Москвы. Основное внимание уделяется сегментации рынка с целью выявления наиболее выгодных предложений. Использованные данные включают параметры стоимости, площади, близости к метро, год постройки и другие характеристики объектов недвижимости. Метод "локтя" был применен для определения оптимального числа кластеров, которое впоследствии было увеличено до восьми для более точного сегментирования. Полученные результаты показали, что кластер 0 представляет собой наиболее доступные и выгодные предложения. Модель K-Means, разработанная в ходе исследования, может быть использована покупателями для оптимизации процесса выбора жилья, снижая временные и финансовые затраты.
Ключевые слова: кластеризация данных, K-Means, анализ недвижимости, оптимизация выбора, машинное обучение, рынок недвижимости Москвы.
Для цитирования: Зуев, М. А., Шибаев, В. М., & Баланев, К. С. (2024). Разработка модели K-Means для выявления наиболее выгодных предложений на рынке недвижимости Москвы. Информатика. Экономика. Управление - Informatics. Economics. Management, 3(2), 0212-0218. https://doi.org/10.47813/2782-5280-2024-3-2-0212-0218
Development of the K-Means model to identify the most profitable offers on the Moscow real estate market
M. A. Zuev, V. M. Shibaev, K. S. Balanev
National Research University «Moscow Power Engineering Institute», Moscow, Russia
Abstract. The article discusses the application of the K-Means clustering model to analyze the Moscow real estate market. The main focus is on market segmentation in order to identify the most profitable offers. The data used includes parameters of cost, area, proximity to the subway, year of construction and other characteristics of real estate. The elbow method was used to determine the optimal number of clusters, which was subsequently increased to eight for more accurate segmentation. The results showed that cluster 0 represents the most affordable and profitable offers. The K-Means model developed during the study can be used by buyers to optimize the housing selection process, reducing time and financial costs.
© М. А. Зуев, В. М. Шибаев, К. С. Баланев, 2024
0212
Keywords: data clustering, K-Means, real estate analysis, selection optimization, machine learning, Moscow real estate market.
For citation: Zuev, M. A., Shibaev, V. M., & Balanev, K. S. (2024). Development of the K-Means model to identify the most profitable offers on the Moscow real estate market. Informatics. Economics. Management, 3(2), 0212-0218. https://doi.org/10.47813/2782-5280-2024-3-2-0212-0218
ВВЕДЕНИЕ
Рынок недвижимости Москвы является одним из наиболее динамично развивающихся и конкурентных в России. Высокая стоимость жилья, разнообразие предложений и быстрое изменение цен требуют от покупателей тщательного анализа и выбора наиболее выгодных предложений. В этих условиях необходимо использовать современные методы анализа данных, которые могут учитывать множество факторов и обеспечивать точное сегментирование рынка [1].
Традиционные методы анализа рынка недвижимости, такие как простая статистика или экспертные оценки, часто оказываются недостаточно эффективными при большом объеме данных и множестве переменных факторов. Применение методов машинного обучения, таких как кластеризация, становится особенно актуальным [2-4]. Кластеризация позволяет разделить объекты недвижимости на группы с похожими характеристиками, что упрощает анализ и принятие решений для покупателей.
МАТЕРИАЛЫ И МЕТОДЫ
Кластеризация является одной из ключевых ветвей машинного обучения без учителя. Она позволяет автоматически группировать объекты, основываясь на их сходстве, даже если у них нет явной классифицирующей характеристики. Алгоритм К-Меа^ широко используется благодаря своей простоте и эффективности [5].
Алгоритм К-Меа^ работает по следующему алгоритму [6]:
1. Инициализация центроидов: сначала случайным образом выбираются начальные центроиды кластеров.
2. Назначение объектов кластерам: для каждого объекта рассчитывается евклидово расстояние до каждого из центроидов, и объект присваивается к ближайшему центроиду.
3. Обновление центроидов: центроиды пересчитываются, основываясь на среднем значении характеристик объектов, попавших в данный кластер.
4. Повторение: эти шаги повторяются до тех пор, пока центроиды не перестанут изменяться или не будет достигнуто заданное количество итераций.
Основное преимущество алгоритма К-МеапБ заключается в его способности быстро и эффективно группировать большие объемы данных, что делает его идеальным инструментом для анализа сложных и многомерных наборов данных. В результате работы алгоритма объекты, близкие по своим характеристикам, оказываются в одном кластере, а объекты с различными характеристиками — в разных [7].
Выбор набора данных
Для исследования был использован набор данных, содержащий информацию о недвижимости Москвы. В нем представлены следующие параметры: цена, время до метро, административный округ, общая площадь, жилая площадь, этаж, количество этажей в здании, год постройки, наличие статуса новостройки, классификация как апартаменты, высота потолков и количество комнат.
Предварительная обработка данных
Для корректной работы модели К-Меа^ были предприняты следующие шаги [8]:
1. Заполнение пропущенных значений: пропущенные значения были заполнены медианными значениями, что позволило минимизировать влияние отсутствующих данных на модель.
2. Преобразование категориальных данных: категориальные данные (например, административный округ) были преобразованы в числовые с использованием метода LabelEncoder. Это позволило учитывать различия между районами Москвы при кластеризации.
Определение оптимального числа кластеров
Оптимальное количество кластеров было определено с помощью метода "локтя", который заключается в анализе инерции модели К-Меа^ при разном числе кластеров и выборе числа, при котором происходит значительное уменьшение инерции [9]. На рис. 1 видно, что оптимальное количество кластеров равно 4. Однако, для более точной сегментации рынка недвижимости и учета большего количества характеристик, было принято решение увеличить количество кластеров до 8. Это позволило выделить более
специфические группы объектов, что улучшило интерпретацию результатов и выявление наиболее выгодных предложений.
1е19 Метод локтя
2 4 6 8 10 12 14
Количество кластеров
Рисунок 1. Применение метода локтя для набора данных.
Figure 1. Application of the elbow method to a data set.
РЕЗУЛЬТАТЫ
На основании анализа средних значений параметров для каждого кластера, выделим кластер, который представляет собой наиболее выгодные предложения на рынке недвижимости Москвы.
Кластер 0 характеризуется следующими параметрами: средняя цена объектов составляет около 20,319,055 рублей. Среднее время до ближайшей станции метро составляет 13.02 минут, что является комфортным для большинства покупателей. Объекты недвижимости в этом кластере расположены преимущественно в южном административном округе, что указывает на доступные районы Москвы. Средняя общая площадь объектов в этом кластере составляет 56 кв.м, с жилой площадью 33 кв.м. Средний этаж, на котором расположены эти объекты, составляет 9, а среднее количество этажей в здании - 18. Большинство объектов в данном кластере были построены около 2003 года. Примерно 27.19% объектов являются новостройками. Также 13.17% объектов классифицируются как апартаменты. Средняя высота потолков в этих объектах составляет 3 м. Среднее количество комнат - 2. Таким образом, кластер 0 представляет
собой наиболее выгодные и доступные предложения на рынке недвижимости Москвы, сочетая в себе комфортные условия проживания и оптимальную стоимость.
price miri_to_metro region_of_moscow totalarea \
cluster 0 1
2
3
4
5
6 7
cluster 0 1
2
3
4
5
6 7
cluster 0 1
2
3
4
5
6 7
20,319j 055 13. .020061 4. .524192 55. .738995
198,544j 946 18. .424623 1 .025126 167. .736281
3,737,636j 000 10. .000000 0. ,000000 530. .000000
481,139,633 7. .646154 0. .246154 241. .860308
118,899,765 8. .933333 1 .910569 134. .626439
315,637,948 8. .083916 0. .741259 202. .741259
741,009,153 8. .222222 0. ,000000 310. .685556
57,097,160 14. .397742 4. .005312 100. .058088
living_area
33.470309 60.778894 183.000000 71.541538 58.736423 76.776923 73.505556 50.564807
floor number_of_floors construction_year
9.387302 11.773869 6.000000 11.738462 11.913821 8.783217 6.055556 12.918991
18.437102 17.597990 7.000000 14.784615 19.988618 12.776224 7.055556 23.930279
2003
2012
2003,
2014
2007,
2011
2019,
2010
104319
140704 000000
076923 338211
671329 000000
918991
isnew isapartments ceilirg_height number_of_rooms
0. .271890 0.131697 2.933219 2. .031390
0. .150754 0.195980 3.215201 3. .494975
0. , 000000 0.000000 3.000000 4. .000000
0. .153846 0.230769 3.289846 3. .661538
0. .186992 0.232520 3.186699 3. . 196748
0. .146853 0.209790 3.353846 3. .580420
0. .277778 0.055556 3.666667 3. .777778
0. .328685 0.174635 3.119900 3. .011952
Рисунок 2. Средние значения полученных кластеров. Figure 2. Mean values of the obtained clusters.
ЗАКЛЮЧЕНИЕ
В результате исследования была разработана модель на базе алгоритма K-Means, позволяющая выявлять наиболее выгодные предложения на рынке недвижимости Москвы. Модель предоставляет покупателям ценный инструмент для оптимизации процесса выбора недвижимости, что позволяет существенно сократить время и затраты на поиск оптимального варианта. Основная сложность в данной работе заключается в интерпретации полученных кластеров.
СПИСОК ЛИТЕРАТУРЫ
[1] Shi D., Guan J., Zurada J., Levitan A.S. An Innovative Clustering Approach to Market Segmentation for Improved Price Prediction. Journal of International Technology and
Information Management. 2015; 24(1): 2. https://doi.org/10.58729/1941-6679.1033
[2] Гужова О.А. Регулирование рынка жилья с помощью кластер-анализа. Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2015; 3: 201209.
[3] Skovajsa S. Review of clustering methods used in data-driven housing market segmentation. Real Estate Management and Valuation. 2023; 31(3): 67-74. https://doi.org/10.2478/remav-2023-0022
[4] Крапивина А. А. Факторный и кластерный анализ рынка вторичного жилья. Контентус. 2016; 8(49): 29-35.
[5] Дейтел П., Дейтел Х. Python: искусственный интеллект, большие данные и облачные вычисления. М.: Альпина Паблишер; 2022. 864.
[6] Маккинни Уэс. Python и анализ данных. М.: ДМК Пресс; 2017. 512.
[7] Гитис Л. Х. Статистическая классификация и кластерный анализ. М.: Наука; 2005. 480.
[8] Педрегоса Ф., Варуко Г. Scikit-learn: машинное обучение на Python. Журнал исследований машинного обучения. 2011; 12: 2825-2830.
[9] Баюк И.А., Березин В.В., Иванюк В.И. Практическое применение методов кластеризации, классификации и аппроксимации. М.: Прометей; 2020. 350.
REFERENCES
[1] Shi D., Guan J., Zurada J., Levitan A.S. An Innovative Clustering Approach to Market Segmentation for Improved Price Prediction. Journal of International Technology and Information Management. 2015; 24(1): 2. https://doi.org/10.58729/1941-6679.1033
[2] Guzhova O.A. Regulirovanie rynka zhil'ya s pomoshch'yu klaster-analiza. Nauchnyj zhurnal NIU ITMO. Seriya «Ekonomika i ekologicheskij menedzhment». 2015; 3: 201-209. (in Russian)
[3] Skovajsa S. Review of clustering methods used in data-driven housing market segmentation. Real Estate Management and Valuation. 2023; 31(3): 67-74. https://doi.org/10.2478/remav-2023-0022
[4] Krapivina A.A. Faktornyj i klasternyj analiz rynka vtorichnogo zhil'ya. Kontentus. 2016; 8(49): 29-35. (in Russian)
[5] Dejtel P., Dejtel H. Python: iskusstvennyj intellekt, bol'shie dannye i oblachnye vychisleniya. M.: Al'pina Pablisher; 2022. 864. (in Russian)
[6] Makkinni Ues. Python i analiz dannyh. M.: DMK Press; 2017. 512. (in Russian)
[7] Gitis L. H. Statisticheskaya klassifikaciya i klasternyj analiz. M.: Nauka; 2005. 480. (in Russian)
[8] Pedregosa F., Varuko G. Scikit-learn: mashinnoe obuchenie na Python. Zhurnal issledovanij mashinnogo obucheniya. 2011; 12: 2825-2830. (in Russian)
[9] Bayuk I.A., Berezin V.V., Ivanyuk V.I. Prakticheskoe primenenie metodov klasterizacii, klassifikacii i approksimacii. M.: Prometej; 2020. 350. (in Russian)
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Зуев Максим Алексеевич, студент, кафедра «БИТ», инженерно-экономический институт, направление «Прикладная информатика», ФГБОУ ВО «НИУ «МЭИ», г. Москва, Россия
Maxim Zuev, student, Department of "BIT", Institute of Engineering and Economics, direction "Applied Informatics", National Research University «Moscow Power Engineering Institute», Moscow, Russia
Шибаев Владимир Михайлович, студент, кафедра «БИТ», инженерно-экономический институт, направление «Прикладная информатика», ФГБОУ ВО «НИУ «МЭИ», г. Москва, Россия
Vladimir Shibaev, student, Department of "BIT", Institute of Engineering and Economics, direction "Applied Informatics", National Research University «Moscow Power Engineering Institute», Moscow, Russia
Баланев Кирилл Сергеевич, ассистент, ФГБОУ ВО «НИУ «МЭИ», г. Mосква, Россия
Kirill Balanev, assistant Professor, National Research University «Moscow Power Engineering Institute», Moscow, Russia
Статья поступила в редакцию 14.06.2024; одобрена после рецензирования 27.06.2024; принята
к публикации 28.06.2024.
The article was submitted 14.06.2024; approved after reviewing 27.06.2024; accepted for publication
28.06.2024.
