การทำนายราคาที่ดินด้วยการเรียนรู้ของเครื่องในอำเภอเมืองขอนแก่น

โยษิตา ศรีวุฒิทรัพย์; ดุสิตา สังข์กลิ่นหอม; ศักดิ์พจน์ ทองเลี่ยมนาค; ธนพล ตั้งชูพงศ์

doi:10.14456/jcct.2024.8

ผู้แต่ง

โยษิตา ศรีวุฒิทรัพย์ นักศึกษา สาขาวิชาวิทยาการคอมพิวเตอร์ วิทยาลัยการคอมพิวเตอร์ มหาวิทยาลัยขอนแก่น จังหวัดขอนแก่น 40002 ประเทศไทย https://orcid.org/0009-0005-4958-6211
ดุสิตา สังข์กลิ่นหอม นักศึกษา สาขาวิชาวิทยาการคอมพิวเตอร์ วิทยาลัยการคอมพิวเตอร์ มหาวิทยาลัยขอนแก่น จังหวัดขอนแก่น 40002 ประเทศไทย https://orcid.org/0009-0009-7214-3637
ศักดิ์พจน์ ทองเลี่ยมนาค อาจารย์ ดร. สาขาวิชาวิทยาการคอมพิวเตอร์ วิทยาลัยการคอมพิวเตอร์ มหาวิทยาลัยขอนแก่น จังหวัดขอนแก่น 40002 ประเทศไทย https://orcid.org/0000-0001-9027-7836
ธนพล ตั้งชูพงศ์ อาจารย์ สาขาวิชาวิทยาการคอมพิวเตอร์ วิทยาลัยการคอมพิวเตอร์ มหาวิทยาลัยขอนแก่น จังหวัดขอนแก่น 40002 ประเทศไทย https://orcid.org/0009-0008-9197-4703

DOI:

https://doi.org/10.14456/jcct.2024.8

คำสำคัญ:

ประเมินราคาที่ดิน, การเรียนรู้ของเครื่อง, ปัจจัยสำคัญ

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลการประเมินราคาที่ดิน และศึกษาปัจจัยที่มีอิทธิพลต่อราคาที่ดิน ด้วยการเรียนรู้ของเครื่อง ที่ใช้เป็นแนวทางของการกำหนดราคาประเมินให้ได้ใกล้เคียงกับราคาซื้อขายจริงในอำเภอเมืองขอนแก่น จากข้อมูลราคาที่ดินที่มีการซื้อขายในเว็บไซต์กรมบังคับคดี 193 แห่ง และข้อมูลราคาประเมินของกรมที่ดิน 1500 แห่ง ในการศึกษาปัจจัยที่เกี่ยวข้องได้แก่ ราคาประเมิน ประเภททรัพย์ ขนาดพื้นที่ ระยะทาง และราคาประเมินเฉลี่ยจากที่ดินห้าผืนใกล้เคียง โมเดลที่ใช้ในการวิเคราะห์ ได้แก่ ต้นไม้ตัดสินใจแบบถดถอย เเรนดอมฟอเรสท์ เกรเดียนบูสทรี และการถดถอยเชิงเส้น ซึ่งการประเมินราคาที่ดินจากกรณีศึกษาโดยการวัดผลโมเดลในค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ ค่าความคลาดเคลื่อนเฉลี่ยรากที่สอง ค่าสัมประสิทธิ์กำลังสองของการอธิบายความแปรปรวน การค้นหาแบบกริด และการประเมินประสิทธิภาพแบบไขว้ทบเพื่อคัดเลือกพารามิเตอร์ของโมเดล และประเมินประสิทธิภาพ ผลวิจัยพบว่า โมเดลที่มีผลการทำนายข้อมูลที่ดีที่สุดคือเกรเดียนบูสทรี ที่มีค่าสัมประสิทธิ์กำลังสองของการอธิบายความแปรปรวนสูงสุดเท่ากับ 0.80 ค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ และค่าความคลาดเคลื่อนเฉลี่ยรากที่สองต่ำสุด เท่ากับ 7929.40 และ 15281.33 ตามลำดับ ความสำคัญของคุณลักษณะในกลุ่มสถานที่ที่มีผลต่อการทำนายมากที่สุด รองลงมาคือขนาดพื้นที่ ราคาประเมินเฉลี่ยจากห้าตำแหน่งใกล้เคียง และประเภททรัพย์

Downloads

References

Bergstra, J., & Bengio, Y. (2012). Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 13(10), 281–305.

Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: a Practical Information-Theoretic Approach. Springer Science & Business Media.

Chandrashekar, G., & Sahin, F. (2014). A Survey on Feature Selection Methods. Computers & Electrical Engineering, 40(1), 16–28. https://doi.org/10.1016/j.compeleceng.2013.11.024.

Choompol, A. (2019). Feature Selection and Redundant Feature Elimination for Opinion Classification on Social Network. [Doctoral dissertation, Mahasarakham University]. Mahasarakham University Intellectual Repository. http://202.28.34.124/dspace/handle/123456789/537. (In Thai).

Guyon, I., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research, 3(7–8), 1157–1182.

Kohavi, R. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence - Volume 2, 1137–1143.

Kumpu, P., & Piyathamronchai, K. (2024). Application of the Geographic Information System to Devolop Land Valuation Models, Case Study: Muang Chiangmai District, Chiangmai Province. The Journal of Spatial Innovation Development, 5(2), 42–64. (In Thai)

Lundberg, S., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. 31st Conference on Neural Information Processing Systems. 4765-4774. https://doi.org/10.48550/ARXIV.1705.07874.

Na Bangchang, K. (2011). A Variable Selection in Multiple Linear Regression Models Based on Tabu Search [National Institute of Development Administration]. https://doi.org/10.14457/NIDA.the.2011.17. (In Thai).

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Müller, A., Nothman, J., Louppe, G., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2012). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://doi.org/10.48550/ARXIV.1201.0490

Soltani, A., Heydari, M., Aghaei, F., & Pettit, C. J. (2022). Housing Price Prediction Incorporating Spatio-Temporal Dependency into Machine Learning Algorithms. Cities, 131, 103941. https://doi.org/10.1016/j.cities.2022.103941.

Vanderplas, J. (2017). Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly.