Dự Đoán Giá Bất Động Sản Bằng Phương Pháp Học Máy

Chuyên khảo phân tích Applying machine learning methods to predict real estate prices, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyen Thi Thuy Dung
• Người hướng dẫn: Dr. Truong Cong Doan
• Trường học: National University, Hanoi International School
• Chuyên ngành: Management Information System
• Đề tài: Dự Đoán Giá Bất Động Sản Bằng Phương Pháp Học Máy
• Loại tài liệu: graduation project
• Năm xuất bản: 2024
• Địa điểm: Hanoi

Mục lục chi tiết

• ACKNOWLEDGEMENTS
• DECLARATION
• LIST OF ACRONYMS
• LIST OF TABLES
• LIST OF FIGURES
• 2. CHAPTER II: MATERIAL AND METHODS
• 2.1. Introduction to Data
• 2.2. Why use Kaggle for data science research
• 2.3. What is the data?
• 2.4. About Machine Learning
• 2.5. Workflow in Machine Learning
• 2.6. Machine Learning Methods
• 2.7. Common Algorithms of Machine Learning
• 2.8. Support Vector Regression (SVM)
• 2.9. Practical Applications of Machine Learning
• 2.10. Data Source and Data Preparation
• 2.11. Difference Between Machine Learning and Deep Learning
• 2.12. Why Machine Learning?
• 2.13. Tools used in the problem
• 2.14. How to tune the model
• 3. CHAPTER III: RESULTS
• 3.1. Solving the problem
• 3.2. Results of model improvement
• 4. CHAPTER IV: CONCLUSIONS AND DEVELOPMENT DIRECTIONS
• 4.1. Reasons for choosing a topic
• 4.2. Research Objectives
• 4.3. Research Mission
• 4.4. Scope of study
• 4.5. Object of study
• 4.6. Research Methodology
• 4.6.1. Methods of theoretical analysis and synthesis
• 4.6.2. Theoretical analysis method
• 4.6.3. Theoretical synthesis method
• 4.7. Structure of the thesis
• 4.7.1. Chapter I: Introduction
• 4.7.2. Chapter II: Materials and methods
• 4.7.3. Chapter III: Results of the problem
• 4.7.4. Chapter IV: Achieved results
• 4.7.5. Chapter V: Conclusion and development direction
• 1. CHAPTER I: INTRODUCTION
• 1.1. Overview of real estate, artificial intelligence and application of artificial intelligence in real estate business
• 1.1.1. Real Estate
• 1.1.1.1. Property classification
• 1.1.1.2. Property characteristics
• 1.1.1.3. Real estate value and factors affecting real estate
• 1.1.2. Artificial intelligence and application of artificial intelligence in real estate business
• 1.1.2.1. Artificial Intelligence Notion
• 1.1.2.2. Application of AI in real estate business
• 1.1.3. Real estate prediction problem

Tóm tắt

I. Tổng Quan Cách Dự Đoán Giá Bất Động Sản Bằng Học Máy

Trong bối cảnh công nghệ thông tin phát triển vượt bậc, đặc biệt là 'cuộc cách mạng dữ liệu', máy tính đã trở thành một phần không thể thiếu trong cuộc sống. Học máy (ML), một nhánh của trí tuệ nhân tạo (AI), tập trung vào việc xây dựng các mô hình dự đoán từ dữ liệu. Các thuật toán và phương pháp trong lĩnh vực này giúp phân tích và hiểu các mẫu dữ liệu để đưa ra dự đoán hoặc quyết định mà không cần sự can thiệp trực tiếp của con người. Ứng dụng của học máy trong lĩnh vực bất động sản, đặc biệt là dự báo giá, đóng một vai trò quan trọng trong việc đưa ra quyết định mua, bán hoặc đầu tư. Dự báo giá bất động sản không chỉ giúp cá nhân và doanh nghiệp định giá chính xác tài sản mà còn giúp dự đoán xu hướng thị trường, tạo ra các chiến lược kinh doanh hiệu quả. Theo tài liệu gốc, 'ML focuses on building predictive models from data. Algorithms and methods in this field help analyze and understand data patterns to make predictions or decisions without direct human intervention.'

1.1. Tại Sao Dự Đoán Giá Bất Động Sản Lại Quan Trọng

Dự đoán giá bất động sản đóng vai trò then chốt cho nhiều đối tượng khác nhau. Nhà đầu tư cần dự đoán chính xác để đưa ra quyết định đầu tư thông minh, tối ưu hóa lợi nhuận từ thị trường bất động sản. Người mua và người bán cần thông tin chính xác để tránh mua hớ hoặc bán rẻ. Chính phủ và các nhà quản lý cần thông tin để giám sát và điều chỉnh thị trường, đảm bảo tính ổn định và công bằng. Việc tham gia các cuộc thi hoặc dự án dự báo giá bất động sản trên các nền tảng như Kaggle mang lại nhiều lợi ích. Kaggle cung cấp một bộ dữ liệu đa dạng và phong phú từ nhiều nguồn khác nhau, hỗ trợ nghiên cứu và phát triển các mô hình dự báo đáng tin cậy. Kaggle là một cộng đồng lớn các nhà khoa học dữ liệu, kỹ sư machine learning và các chuyên gia AI, cung cấp cơ hội học hỏi và trao đổi kinh nghiệm.

1.2. Mục Tiêu Nghiên Cứu Dự Đoán Giá Bất Động Sản Chính Xác

Mục tiêu chính của dự án là nghiên cứu và áp dụng các phương pháp học máy để dự đoán giá bất động sản một cách chính xác và hiệu quả. Điều này không chỉ cải thiện khả năng dự đoán, mà còn hỗ trợ các nhà đầu tư, doanh nghiệp và tổ chức tài chính trong việc đưa ra các quyết định chiến lược, giảm thiểu rủi ro và tối đa hóa lợi nhuận. Cụ thể, các mục tiêu nghiên cứu của dự án bao gồm: Phân tích và chuẩn bị dữ liệu bất động sản, xây dựng mô hình ML để dự đoán giá trị bất động sản, đánh giá hiệu quả của các mô hình và so sánh chúng, đề xuất mô hình dự đoán giá bất động sản chính xác nhất và áp dụng mô hình vào thực tiễn. Theo tài liệu gốc, 'The main goal of the project is to research and apply machine learning methods to predict real estate prices accurately and effectively.'

II. Thách Thức Các Yếu Tố Ảnh Hưởng Đến Giá Bất Động Sản

Giá bất động sản chịu ảnh hưởng của nhiều yếu tố khác nhau, từ vị trí địa lý, diện tích, tiện ích xung quanh đến tình hình kinh tế vĩ mô và chính sách của chính phủ. Việc xác định và lượng hóa chính xác các yếu tố này là một thách thức lớn trong quá trình xây dựng mô hình dự đoán. Ngoài ra, dữ liệu bất động sản thường không đầy đủ, có nhiều giá trị bị thiếu hoặc không chính xác, đòi hỏi các phương pháp tiền xử lý dữ liệu hiệu quả. Bài toán dự đoán giá bất động sản cũng đối mặt với sự biến động của thị trường, các yếu tố bất ngờ như khủng hoảng kinh tế, dịch bệnh có thể làm thay đổi đáng kể giá bất động sản, khiến mô hình dự đoán trở nên kém chính xác. Do đó, việc xây dựng một mô hình dự đoán giá bất động sản hiệu quả đòi hỏi sự kết hợp giữa kiến thức chuyên môn về bất động sản và các kỹ thuật phân tích dữ liệu tiên tiến.

2.1. Dữ Liệu Bất Động Sản Thu Thập Làm Sạch và Tiền Xử Lý

Để xây dựng một mô hình dự đoán giá bất động sản chính xác, việc thu thập dữ liệu từ nhiều nguồn khác nhau là rất quan trọng. Các nguồn dữ liệu có thể bao gồm các trang web bất động sản, cơ quan chính phủ, tổ chức thương mại và công ty bất động sản. Dữ liệu thu thập được có thể bao gồm thông tin về giá bán/cho thuê, diện tích, vị trí địa lý, tiện ích xung quanh, loại hình bất động sản, năm xây dựng và các yếu tố khác ảnh hưởng đến giá. Sau khi thu thập, dữ liệu cần được làm sạch để loại bỏ các giá trị bị thiếu, dữ liệu ngoại lai và các lỗi khác. Sau đó, dữ liệu cần được tiền xử lý để chuyển đổi sang định dạng phù hợp với các thuật toán machine learning.

2.2. Chọn Lọc Đặc Trưng Các Biến Số Quan Trọng Trong Dự Đoán

Việc chọn lọc các đặc trưng quan trọng là một bước quan trọng trong quá trình xây dựng mô hình dự đoán giá bất động sản. Các đặc trưng quan trọng có thể bao gồm vị trí địa lý, diện tích, số phòng ngủ, số phòng tắm, tình trạng bất động sản, tiện ích xung quanh và các yếu tố kinh tế vĩ mô. Việc chọn lọc các đặc trưng phù hợp có thể giúp cải thiện độ chính xác của mô hình dự đoán. Các phương pháp chọn lọc đặc trưng có thể bao gồm phân tích tương quan, phân tích tầm quan trọng của đặc trưng và các phương pháp dựa trên thuật toán machine learning.

III. Phương Pháp Thuật Toán Dự Đoán Giá Bất Động Sản Hiệu Quả

Có nhiều thuật toán học máy có thể được sử dụng để dự đoán giá bất động sản, mỗi thuật toán có những ưu điểm và nhược điểm riêng. Các thuật toán phổ biến bao gồm hồi quy tuyến tính, cây quyết định, rừng ngẫu nhiên, máy học vectơ hỗ trợ và mạng nơ-ron. Hồi quy tuyến tính là một thuật toán đơn giản và dễ hiểu, phù hợp với các bài toán có mối quan hệ tuyến tính giữa các đặc trưng và giá bất động sản. Cây quyết định và rừng ngẫu nhiên là các thuật toán mạnh mẽ, có thể xử lý các mối quan hệ phi tuyến tính và tương tác giữa các đặc trưng. Máy học vectơ hỗ trợ là một thuật toán hiệu quả trong việc xử lý dữ liệu có số chiều cao và mạng nơ-ron là một thuật toán mạnh mẽ, có thể học các biểu diễn phức tạp của dữ liệu.

3.1. Hồi Quy Tuyến Tính Phân Tích Mối Quan Hệ Giá và Các Yếu Tố

Phân tích hồi quy bất động sản với hồi quy tuyến tính là một phương pháp thống kê để mô hình hóa mối quan hệ giữa một biến phụ thuộc (giá bất động sản) và một hoặc nhiều biến độc lập (các yếu tố ảnh hưởng đến giá). Mô hình hồi quy tuyến tính giả định rằng có một mối quan hệ tuyến tính giữa các biến, và mục tiêu là tìm ra đường thẳng phù hợp nhất với dữ liệu. Các hệ số hồi quy cho biết mức độ ảnh hưởng của mỗi biến độc lập đến biến phụ thuộc. Mặc dù đơn giản, hồi quy tuyến tính cung cấp một cái nhìn tổng quan về mối quan hệ giữa giá và các yếu tố khác, làm cơ sở cho việc xây dựng các mô hình phức tạp hơn.

3.2. Rừng Ngẫu Nhiên Xây Dựng Mô Hình Dự Đoán Mạnh Mẽ

Rừng ngẫu nhiên là một thuật toán machine learning dựa trên việc xây dựng nhiều cây quyết định và kết hợp kết quả dự đoán của chúng. Mỗi cây quyết định được huấn luyện trên một tập con ngẫu nhiên của dữ liệu và sử dụng một tập con ngẫu nhiên của các đặc trưng. Điều này giúp giảm thiểu hiện tượng quá khớp và cải thiện khả năng tổng quát hóa của mô hình. Rừng ngẫu nhiên có khả năng xử lý các mối quan hệ phi tuyến tính và tương tác giữa các đặc trưng, đồng thời cung cấp thông tin về tầm quan trọng của mỗi đặc trưng trong việc dự đoán giá bất động sản. Do đó, rừng ngẫu nhiên là một lựa chọn phổ biến cho bài toán dự đoán giá bất động sản.

IV. Ứng Dụng Mô Hình Dự Đoán Giá Nhà Bằng Machine Learning

Các mô hình dự đoán giá bất động sản có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ định giá bất động sản, đầu tư bất động sản đến quản lý bất động sản. Trong lĩnh vực định giá, mô hình có thể giúp định giá bất động sản một cách khách quan và chính xác, hỗ trợ các giao dịch mua bán, cho thuê. Trong lĩnh vực đầu tư, mô hình có thể giúp nhà đầu tư đánh giá tiềm năng sinh lời của các dự án bất động sản, đưa ra quyết định đầu tư thông minh. Trong lĩnh vực quản lý, mô hình có thể giúp quản lý bất động sản dự đoán nhu cầu thuê, điều chỉnh giá thuê phù hợp, tối ưu hóa doanh thu.

4.1. Học Máy Trong Định Giá Bất Động Sản Nâng Cao Độ Chính Xác

Học máy trong định giá bất động sản mang lại nhiều lợi ích so với các phương pháp định giá truyền thống. Các mô hình machine learning có thể xử lý lượng lớn dữ liệu từ nhiều nguồn khác nhau, bao gồm thông tin về bất động sản, thị trường, kinh tế và xã hội. Các mô hình này có thể học các mối quan hệ phức tạp giữa các yếu tố và giá bất động sản, đưa ra dự đoán chính xác hơn. Ngoài ra, các mô hình machine learning có thể được cập nhật liên tục với dữ liệu mới, giúp duy trì độ chính xác của dự đoán.

4.2. Ứng Dụng Machine Learning Trong Bất Động Sản Các Case Study Thực Tế

Có nhiều case study thực tế về việc ứng dụng machine learning trong lĩnh vực bất động sản. Một số công ty đã sử dụng các mô hình dự đoán giá bất động sản để định giá tài sản, giúp khách hàng đưa ra quyết định mua bán thông minh. Các công ty khác đã sử dụng các mô hình này để phân tích thị trường, xác định các cơ hội đầu tư tiềm năng. Ngoài ra, các mô hình machine learning còn được sử dụng để quản lý bất động sản, dự đoán nhu cầu thuê và tối ưu hóa giá thuê. Những ứng dụng này chứng minh tiềm năng to lớn của machine learning trong việc thay đổi cách thức hoạt động của ngành bất động sản.

V. Kết Luận Tiềm Năng Phát Triển Của Dự Đoán Giá BĐS

Việc sử dụng học máy để dự đoán giá bất động sản mang lại nhiều tiềm năng phát triển trong tương lai. Với sự phát triển của công nghệ và sự gia tăng của lượng dữ liệu, các mô hình dự đoán sẽ ngày càng trở nên chính xác và hiệu quả hơn. Các nhà nghiên cứu có thể tập trung vào việc phát triển các thuật toán mới, tích hợp thêm các nguồn dữ liệu mới và áp dụng các kỹ thuật phân tích dữ liệu tiên tiến. Ngoài ra, việc giải quyết các thách thức như dữ liệu không đầy đủ, biến động thị trường và tính minh bạch của mô hình sẽ giúp tăng cường sự tin cậy và khả năng ứng dụng của các mô hình dự đoán giá bất động sản.

5.1. Dự Báo Giá Nhà Đất Bằng AI Xu Hướng và Triển Vọng Tương Lai

Dự báo giá nhà đất bằng AI đang trở thành một xu hướng ngày càng phổ biến trong ngành bất động sản. Với sự phát triển của các thuật toán machine learning và sự gia tăng của lượng dữ liệu, các mô hình dự đoán sẽ ngày càng trở nên chính xác và hiệu quả hơn. Trong tương lai, chúng ta có thể thấy sự xuất hiện của các công cụ dự đoán giá bất động sản dựa trên AI, giúp người mua, người bán và nhà đầu tư đưa ra quyết định thông minh hơn. Tuy nhiên, cũng cần lưu ý rằng việc sử dụng AI trong dự báo giá bất động sản cần được thực hiện một cách có trách nhiệm và minh bạch, đảm bảo tính công bằng và tránh các tác động tiêu cực đến thị trường.

5.2. Hướng Nghiên Cứu Mới Tích Hợp Dữ Liệu và Thuật Toán Tiên Tiến

Trong tương lai, các nghiên cứu về dự đoán giá bất động sản bằng machine learning có thể tập trung vào việc tích hợp thêm các nguồn dữ liệu mới, chẳng hạn như dữ liệu về môi trường, khí hậu, giao thông và các yếu tố xã hội. Việc sử dụng các thuật toán tiên tiến hơn, chẳng hạn như deep learning và reinforcement learning, cũng có thể giúp cải thiện độ chính xác của mô hình. Ngoài ra, việc phát triển các mô hình có khả năng giải thích kết quả dự đoán một cách dễ hiểu sẽ giúp tăng cường sự tin cậy và khả năng ứng dụng của chúng. Các nghiên cứu cũng có thể tập trung vào việc giải quyết các thách thức như dữ liệu không đầy đủ, biến động thị trường và tính minh bạch của mô hình.

Trích đoạn nội dung tài liệu

NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT PROJECT NAME: APPLYING MACHINE LEARNING METHODS TO PREDICT REAL ESTATE PRICES Student’s name : Nguyen Thi Thuy Dung Hanoi – 2024 VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT PROJECT NAME: APPLYING MACHINE LEARNING METHODS TO PREDICT REAL ESTATE PRICES SUPERVISOR: DR. TRUONG CONG DOAN STUDENT: NGUYEN THI THUY DUNG STUDENT ID: 20070687 COHORT: QH2020 SUBJECT CODE: INS401101 MAJOR: MIS ( Management Information System ) Hanoi – 2024 2 ACKNOWLEDGEMENTS First, I would like to thank the Board of Directors of the International School - Hanoi National University for creating a good environment for me to study and acquire valuable knowledge over the years. I would like to express my deep gratitude to teacher Dr.Truong Cong Doan for enthusiastically guiding, orienting, and supporting me throughout the process of completing my graduation thesis, helping me approach the way of thinking, solving and presenting a problem that needs research. These things have helped me overcome my own limitations and difficulties to complete my thesis successfully and on time.

I also send my sincere thanks to the teachers at the school, especially the teachers in the Faculty of Technology and Applied Sciences for teaching me during my time studying at the school. With the knowledge and lessons learned, it will help you be more confident in work, life and future goals. I would also like to thank my family, relatives, colleagues and friends for their constant care and encouragement; Thank you teacher Dr. Truong Cong Doan for sharing your experiences and providing useful materials during your studies and research as well as throughout the process of completing your graduation thesis.

Although I tried to complete the thesis with all my efforts and abilities, there are certainly still many limitations and shortcomings. I hope to receive sympathy and valuable suggestions from teachers and friends. Hanoi, 17th June 2024 Dung Nguyen Thi Thuy Dung DECLARATION I hereby declare that the knowledge presented in this thesis was researched, researched and presented by me. During the process of writing my thesis, I consulted relevant documents and clearly stated the source of those references.

The new results in the thesis are my own, not copied from any other work. If there is anything dishonest, I take full responsibility. Student 4 LIST OF ACRONYMS Acronyms Meaning MAE Mean Absolute Error MSE Mean Squared Error SVM Support Vector Regression AL Artificial Intelligence ML Machine Learning GDP Gross Domestic Product FN False Negative FP False Positive TN True Negative TP True Positive ME Max Error DL Deep Learning 5 LIST OF TABLES Table no. Figure name Table 1 Data set Properties_2016 Table 2 Compare ML and DL Table 3 Math result LIST OF FIGURES Figure no.

Figure name Figure 1 Introduction Figure 2 Kaggle Figure 3 Heatmap Figure 4 Machine Learning Figure 5 Model Figure 6 Model Supervised Learning Figure 7 Model Unsupervised Learning Figure 8 Model Semi-supervised Learning Figure 9 Model Reinforcement Learning Figure 10 Model Random Forest Figure 11 Model Linear Regression Figure 12 Model Decision Tree Figure 13 Model SVM Figure 14 Model Practical Applications of Machine Learning Figure 15 Compare Machine Learning and Deep Learning Figure 16 Matplotlib Library Figure 17 Series and Dataframes in Pandas Figure 18 Training Phase Figure 19 Missing Values 6 TABLE OF CONTENTS ACKNOWLEDGEMENTS. 4 LIST OF ACRONYMS. 5 LIST OF TABLES. 15 CHAPTER II : MATERIAL AND METHODS.

Introduction to Data. Why use Kaggle for data science research. What is the data?. About Machine Learning.

Workflow in Machine Learning. Machine Learning Methods. Common Algorithms of Machine Learning. Support Vector Regression (SVM).

Practical Applications of Machine Learning. Data Source and Data Preparation. Difference Between Machine Learning and Deep Learning. Why Machine Learning ?.

Tools used in the problem. How to tune the model. 51 CHAPTER III: RESULTS. Solving the problem.

Results of model improvement. 67 CHAPTER IV: CONCLUSIONS AND DEVELOPMENT DIRECTIONS. Reasons for choosing a topic In the context of the continuous development of information technology, especially the "data revolution", computers have become an indispensable part of people's lives. ML, a branch of artificial intelligence (AI), focuses on building predictive models from data.

Algorithms and methods in this field help analyze and understand data patterns to make predictions or decisions without direct human intervention. The application of ML in the real estate sector, especially price forecasting, plays an important role in making buying, selling, or investing decisions. Real estate price forecasting not only helps individuals and businesses accurately value assets but also helps predict market trends, creating effective business strategies. This contributes to economic development in all aspects: ● Investors: Need accurate price forecasts to make smart investment decisions and optimize profits from the real estate market.

● Buyers and sellers: Buyers need accurate information to avoid overpricing, while sellers want to make sure they don't sell the property cheaply. ● Governments and regulators: Information is needed to monitor and regulate the market, ensuring stability and fairness. Participating in real estate price forecasting contests or projects on the Kaggle platform offers many benefits. First, Kaggle provides a diverse and rich dataset from a variety of sources, supporting the research and development of reliable forecasting models.

Second, Kaggle is a large community of data scientists, machine learning engineers, and AI experts, providing opportunities to learn and exchange experiences. Finally, projects on Kaggle are highly practical, helping to test and improve skills from data preprocessing to refining the model's hyperparameters. In conclusion, choosing a machine learning application for real estate price forecasting on Kaggle not only meets the practical needs of the market, but also provides an opportunity to learn and develop skills for individuals or research groups. Research Objectives The main goal of the project is to research and apply machine learning methods to predict real estate prices accurately and effectively.

This not only improves predictability, but also supports investors, businesses, and financial institutions in making strategic decisions, minimizing risk, and maximizing profits. Specifically, the research objectives of the project include: ● Real estate data analysis and preparation: - Clean data to remove missing or invalid values, ensuring accurate and consistent data. - Transform and normalize data to match the requirements of machine learning models. ● Building ML models to predict real estate value: - Apply common ML algorithms such as Linear, Logistic, Decision Trees, Random Forests, and Artificial Neural Networks.

- Test and adjust the hyperparameters of the models to find the optimal configuration. - Combine models to create a powerful and diverse prediction system that is capable of processing different types of data and making more accurate predictions. ● Evaluate the effectiveness of models and compare them: - Evaluation metrics such as MAE, MSE, and R-squared are used to measure the accuracy of the models. - Perform a cross-validation process to test the stability and generalizability of models on different data sets.

● Recommend the most accurate real estate price prediction model: - Based on the evaluation and comparison results, select the model or combination of models with the best performance. - Recommend this model to investors, businesses, and financial institutions so that they can use it in practice. - Make recommendations on how to improve and expand the research in the future, including integrating new data sources, testing more advanced 10 machine learning algorithms, and applying the model to real estate markets other than New York. ● Applying the model in practice: - Develop an online software system or tool based on the selected prediction model, which allows users to enter real estate-related information and receive value predictions instantly.

- Organize seminars or training sessions to introduce and guide stakeholders in the real estate industry. - Conduct real-world tests and collect feedback from users to continuously improve and refine the predictive model. Through the implementation of the above goals, the project not only contributes to improving the ability to predict real estate prices but also opens up new research directions in applying machine learning to other economic fields, creating a premise for the sustainable. Research Mission In order to achieve the set objectives, the project needs to carry out a series of specific and detailed research tasks, in order to ensure that the steps are carried out systematically and scientifically.

These tasks include: ● Collect and aggregate real estate data: - Search for reliable data sources: Contact statistical agencies, real estate companies, and online data platforms to collect information about the selling price, characteristics of the properties (such as area, location, number of rooms, legal status, etc. - Integrate data from multiple sources: Combine data from different sources to form a rich and diverse dataset, including historical and current data. ● Data processing and preparation: - Data Cleaning: Detects and handles missing values, outliers, and data errors to ensure accurate and consistent data input. For example, using techniques such as replacing missing values with averages or medians, removing or correcting faulty data.

- Data normalization: Transforming data attributes to the same scale or format, such as standardizing units of measurement, encoding classification variables 11 into variables (one-hot encoding), and normalizing numeric values (normalization). - Calculate and extract features: Use data analysis techniques to generate new features from the original data, making it possible for ML models to understand and learn patterns from the data. ● Build machine learning models: - Selection of ML algorithms: Consider and select appropriate machine learning algorithms to apply to the problem of predicting real estate prices, including linear, logistic, decision trees, random forests, and artificial neural networks. - Model training: Apply ML algorithms to the training dataset to build predictive models.

Adjust the hyperparameters of the algorithms to optimize the model's performance. - Model optimization: Use techniques such as hyperparameter tuning, cross- validation, and ensemble techniques. ● Review and comparison of models: - Use evaluation metrics: Evaluate the performance of models based on metrics such as MAE, MSE, and Definite Coefficient to measure the accuracy of predictive models. - Perform cross-validation processes: Test the stability and generalizability of models on different datasets.

- Comparison of models: Analyze and compare the results from different models. ● Implement and propose the optimal predictive model: - Select the optimal model: Based on the evaluation and comparison results, select the model or combination of models with the best performance for practical implementation. - Application system development: Build an online software system or tool based on the selected model, allowing users to enter real estate-related information and receive value predictions instantly. 12 - Continuous evaluation and improvement: Collect feedback from users and make continuous improvements to ensure the system is always working efficiently and meeting actual needs.

● Research and propose future development directions: - Expand the scope of the study: Consider the application of the model to real estate markets other than New York, studying the specific factors of each area to improve the accuracy of the model. - Testing advanced algorithms: Research and apply new and more advanced ML algorithms, such as deep learning, to explore the potential to improve predictive efficiency. - Integrate more data sources: Collect and integrate new data sources such as data on economic trends, housing policies, and infrastructure information to enrich datasets and improve models. By carrying out the above tasks, the project not only achieves the research objectives but also contributes to the development of the field of real estate price prediction, opening up many new opportunities and applications in the future.

Scope of study Real estate price forecasting projects can leverage data from various sources such as real estate websites, government agencies, commercial organizations, and real estate companies. The data collected may include information about the sale/rental price, area, geographic location, surrounding social facilities, property type, year of construction, and other factors that affect the price. Currently, real estate price forecasting has become a popular area of research in both the machine learning community and the real estate market.