Ч а с т ь I v молодой ученый

 2. Важность признаков в модели дерево решений
Коэффициент детерминации модели случайный лес 
равен 83,9 %. В среднем модель ошибается на 11,8 %. Из 
рисунка 3, можно сделать вывод о том, что наибольший 
вклад оказывают также признаки — площадь объекта, 

---

238
«Молодой учёный» . № 27 (422)  . Июль 2022 г.
Экономика и управление
средняя стоимость квадратного метра по району, тип ре-
монта, год постройки дома, количество этажей в доме, 
этаж, а также количество комнат, микрорайон, район, тип 
балкона, стен и т. д. Модель случайный лес, гораздо лучше 
справляется с квартирами, площадью больше 100 м
2
, не-
жели модель дерево решений.
Рис.
 3. Важность признаков в модели случайный лес
Коэффициент детерминации модели градиентный бу-
стинг равен 85,5 %. В среднем модель ошибается на 12 %. 
Как видно из рисунка 4, наибольший вклад вносит пере-
менная площадь, как и в предыдущих моделях. Модель 
лучше предсказывает значения стоимости квартир, пло-
щадь которых более 100 м кв и меньше переобучается 
в отличие от линейной регрессии.
Рис.
 4. Важность признаков в модели градиентный бустинг
Коэффициент детерминации модели машинного обу-
чения CatBoost равен 86,7 %. В среднем модель ошибается 
на 11 %. Наибольший вклад в данную модель вносит при-
знак, указывающий на площадь квартиры (51,2 %), наи-
меньший — наличие телевидения (0,0013 %). Данная мо-
дель лучше всех предыдущих предсказывает значения 
стоимости квартир, площадь которых более 100 м кв 
и меньше переобучается.
В ходе данной работы были изучены модели машин-
ного обучения и применены для предсказания цены объ-
ектов рынка жилой вторичной недвижимости города Вла-
дивосток. Всего были рассмотрены 5 моделей.
Наилучшие показатели имеет метод машинного обу-
чения CatBoost. Он способен объяснить 86,4 % изменчи-
вости цены независимыми переменными, которые были 
выбраны. В то время как модель дерево решений спо-

---