ПЕРЕДБАЧЕННЯ ЦІНИ АВТОМОБІЛЯ МЕТОДАМИ МАШИННОГО НАВЧАННЯ

Анотація

Розвиток сучасного машинобудування є наслідком швидкого зростання економіки в багатьох розвинутих країнах. Станом на сьогоднішній день, інтеграцію автомобілів у повсякденне життя складно заперечити. Логістика, громадський транспорт, особистий транспорт, сервіси доставки, таксопарки, оренда авто тощо. Відповідно, маючи таку гнучкість використання, з’являється і попит на дану продукцію. В свою чергу, виробники прагнуть отримати найбільшу кількість покупців, що призводить до утворення конкуренції на ринку. Як результат час, який витрачається на підбір бажаного авто, є суттєвим, і сам процес вивчення ринку і характеристик всіх авто не є доцільним для користувачів. Тому це дослідження буде спрямовано на спрощення цього процесу, шляхом використання методів машинного навчання, що дасть змогу швидше зорієнтуватись у цінах на ринку і швидше обирати бажане авто.

В роботі наведено результати досліджень методів машинного навчання щодо передбачення ціни автомобіля, попередньої обробки тренувальних даних; запропоновано власну реалізацію, яка базується на комбінуванні декількох моделей машинного навчання. За основу для досліджень були взяті дерева рішень і випадковий ліс, обговорено загальну концепцію їхньої роботи, переваги і недоліки, алгоритм їхньої побудови. Метою цієї статті є порівняльна характеристика застосованих моделей. Окремі моделі можуть прогнозувати результати з високою точністю: дерева рішень – 90% точність і випадковий ліс – 95%. Однак точність являється не єдиною метрикою оцінки ефективності роботи моделей. Впливовість MAE, RMSE є невід’ємними метриками для оптимальної роботи моделей. Згідно з результатами досліджень, значення обидвох метрик кращі у випадкового лісу, що доказує ефективність даного рішення. Однак результати можна покращити, використовуючи комбінований підхід. Стаття якраз і надаватиме відповідь на питання ефективності застосування комбінованих підходів.