Xây dựng mô hình định giá bất động sản tự động hỗ trợ quá trình thẩm định giá trị tài sản bảo đảm

Nghiên cứu này nhằm chứng minh tính khả thi của việc xây dựng một mô hình định giá bất động sản thông minh nhằm hỗ trợ các chuyên viên thẩm định của các tổ chức tài chính thực thi nhiệm

□TRAO ĐỒI

Xây dựng mô hình định giá bất động sản tự động

hỗ trợ qua trình thẩm định giá trị tài sản bẩo đảm

□ ThS Trần Thị Huế

Khoa Hệ thốngThông tin Quản lý -Họcviện Ngân hàng

Một bất động sản hay một ngôi nhà không chỉ có ý nghĩa tinh thắn to lớn đối với một cá nhân vì đó không chỉ

là nơi trú ngụ mà còn là một tài sản có giá trị lớn Đó cũng là lý do đây chính là loại tài sản bảo đảm phổ biến đối với những hợp đóng tín dụng Tuy nhiên, thị trường bất động sản là một thị trường nhiều biến động và phức tạp,

để thẩm định giá trị của một bất động sản, thẩm định viên cẩn phải có sự hiểu biết sâu sắc về thị trường bất động sản và thông tin của bất động sản Cho nên thẩm định giá tài sản bảo đảm có thể coi là một"nghệ thuật" kết hợp cùng chiến lược phân tích thông tin, đây quả là một điểu khó khăn đối với thẩm định viên Tuy nhiên, thị trường bất động sản rất sôi động và hàng ngày có hàng ngàn bất động sản được giao bán trên Internet, đây chính là nguồn dữ liệu có thể truy cập cũng như thu thập được Nghiên cứu này nhằm chứng minh tính khả thi của việc xây dựng một mô hình định giá bất động sản thông minh nhằm hỗ trợ các chuyên viên thẩm định của các tổ chức tài chính thực thi nhiệm vụ định giá tài sản.

1 GIỚI THIỆU

Hoạt động tín dụng làmột hoạt

động mang lại nhiểu lợi nhuận

cho các tổ chứctàichính như ngân

hàng, tổ chức cho vay tiêu dùng

haycáctiệm cầm đổ Nhưng đây

cũng là hoạt động mang lại rủi ro

lớn và những rủi ro này rất khó

để bù đắp Trước khi chấp nhận

cấp mộtkhoảnvay nào đó, cáctổ

chức tài chính thường thực hiện

chấm điểmtín dụng Khách hàng

có mứctín nhiệm càng thấp thì lãi

suất trên khoản vay của họ càng

lớn, điều này cũng có nghĩa rằng

mức độ rủi ro của khoản vay tỷ lệ

thuận với lợi nhuận mà tổ chức tài

chính cóthể thu được trong tương

lai Để dung hòa giữa lợi nhuận và

rủi ro thì tài sản thế chấp đóng

một vai trò quan trọng trong cam

kết tài chính giữa bên vay và bên

chovay Khi đến kỳtrả nợ, bên vay

không thể thực hiện nghĩa vụ tài

chính của mình thì bên chovay có

thể bán tài sản thế chấp của bên

vay và thu hổi một phần khoản

nợ, hoặc trong trường hợp tối Ưu

cóthể thu hồi được toàn bộ số nợ (bao gồm cả nợ gốc và lãi) Bất động sản là một loại hình tài sản

thế chấp rất phổ biến trong hoạt

độngtín dụng bởi chúng có tính

bất biến về người sở hữu trong quá trình được thếchấp; ngoài ra,

giá trị của bất động sản cũng rất

lớn, đủ khả năng cân đối được với khoảnvay

Hoạt động định giá bất động

sản được dựa trên rất nhiều cơ sở mặc dù Nhà nước đã ban hành mức giá tiêu chuẩn đối với loại hình và vị trí của bất động sản,

tuy nhiên mức giá giao dịch của

bất động sản thường cao hơn rất nhiểu so với giá tiêu chuẩn

này, do đó, giá trị bất động sản thường được định giá dựa trên kinh nghiệm của các nhân viên

thẩm định bất động sản Các nhà

thẩmđịnh giá chuyênnghiệp dựa

vào kinh nghiệm và kiến thức thị

trường địa phương để đưa ra kết luận của riêng mình.Sự thiên lệch khi thẩm định giá bất động sản cũng không phải là việc hi hữu

Những sai lệch trong định giá có

thể được giải thích bằng sựkhông đồng nhất thôngtin giữa hai bản đánh giá hoặc sự khác biệt về

khung nhìn đối với bất động sản Bất động sản thường là tài sản lớn đối với mỗi cá nhân, việc định giá bất động sản mộtcách hợp lý

sẽ giúp cáctổ chức có được một khoản đảm bảo an toàn và cũng giúp người đi vay đề xuất một khoản tiền tương xứng với giá trị tài sản đó Để định giá chính xác một bất động sản, người ta

không chỉ đòi hỏi sự hiểu biết về thị trường bất động sản (có thể

nói đây làmộtthị trường đẩy biến

động) mà còn phải có hiểu biết

sâu sắc vể chính bất động sản đó Kiến thức này thường được nắm

giữ bởi các chuyên gia môi giới bất động sản Nếu các tổ chức

TRAO ĐỔI w

tài chính có thể nắm bắtcác kiến

thức này bằng cách sửdụng các

nguồn dữliệu cóthể truy cập mở,

tnì kiến thức này có thể sẽ được

tếp cận dễ dàng Các ngân hàng

co đủ nguón lực để xây dựngmột

hệ thống dữ liệu như vậy sẽ giúp

cac thẩm định viên làm việc trên

rrtột nguồn thông tin chân thực,

knáchquan với các nhận định của

ban thân cũng như các môi giới

bat động sản

Mặt khác, các thẩm định viên

có

sả

thể dự báo xấpxỉ giá bất động

n dựa trên giá trị trung bình

đượctính toán một cách tự động

bằng các thuậttoán học máy trên

nguồn dữ liệu có sẵn, những dữ

liệu này sẽ cung cấp sự hiểu biết

cho mọi ngườivề các yếu tố ảnh

hưởng tới giá bất động sản Mọi

ng ười có thể tập trungvàonhững

yếưtố này để làm căn cứ xác định

giátrị của bấtđộng sản được đem

ra thế chấp

hững địa bàn hành chính có

nguồn tin giao dịch bất độngsản

dàosẽtrởthành một đối tượng

nghiên cứu phù hợp cho bài toán

này

ngu

cũng như đặc điểm của bất động

N

dồi

Chúng ta có thể tìm được

lồn dữ liệu vể giá bất động sản

sản đó trên các trang đãng tin

bấtđộng sản Ngoài ra thông tin

tương quanvề vị trí của bất động

sản đối với cơ sở hạ tầng, tiện ích xung quanh cũng ảnh hưởng tới

giá thành của bấtđộng sản

Một số nghiên cứu cũng như

những nỗ lực để tạo ra những

mô hình định giá bất động sản

sử dụng hướng tiếp cận học máy

Những nghiên cứu xung quanh

định giá nhà ngoại ò ở Boston được coi là một ví dụ điển hình

Những kết quả từ nghiên cứu này được sử dụng làm cơ sở để chúng tôi lựa chọn những thuộc

tính trong bộ dữ liệu của chúng tôi Các tác giả Park, B., & Bae, J.K

(2015)đã khám phá ra sựhiệu quả của mô hình hổi quy tuyến tính,

máy học vector hỗ trợ (Support

Vector Machine -SVM) và phương pháp ước lượng bình phương tối

thiểu Điểm đặc biệt từ những

nghiên cứu này là những đặc

điểm như khoảng cách tới đường

quốc lộ, mật độ dân số, khả năng kinh doanh trong vùng cũng như

tỷ lệ tội phạm đều ảnh hưởng tới

giá nhà

Mục tiêu của nghiên cứu này

nhằm tạoramột mô hình định giá

bất động sản dựa trên dữ liệu có

thể thu thậpđược trên các nguồn

dữ liệu mở dành cho đối tượng

nhà ở tại Hà Nội Dựa trên bộ dữ liệu thu thập được, chúng tôi hy

vọng có thể tạo ra một hệ thống

giúp các thẩm định viên có thêm một còng cụ để đảm bảo tính chính xác về kết quả thẩm định

của mình

2 ĐỊNH NGHĨA BÀI TOÁN VÀ

MÔ TẢ Bộ Dữ LIỆU

Nghiên cứu này nhằm xây dựng

mô hình dự báo giá nhà ở Hà Nội dựa trên một số các thuộc tính được xác định thông qua tin đãng bất động sản trên mạng Internet Với nghiên cứu này, chúng tôi

tập trung vào địa hình nhà thổ

cư, khám phá vai trò của cơ sở hạ tầng thành phố đối với giá nhà Chúng tôi sử dụng phương pháp

hồi quy để xây dựng mô hình

định giá bất động sản Trong bộ

dữ liệu mẫu của chúng tôi chứa những thòng tin chung của các bất động sản cũng nhưng một vài thông số như có khu vui chơi,

có chợ, trường học trong phạm vi

2 km hay không Những thông tin này được chọn vì với khoảng cách

□TRAO ĐỔI

này người dùng có thể dễ dàng

di chuyển Các thuật toán được

sửdụng bao gồm: Hồi quytuyến

tính, hổi quỵ Lasso và giải thuật

k-hàng xóm gần nhất

2.1 Dữ liệu

Thị trường bất động sản với loại

hình nhà riêng, không giống như

cácthị trườngtruyềnthống khác,

không có sàn giao dịch, các bên

thường giao dịch thòng qua các

môi giới bất động sản hoặc trực

tiếp trao đổi với nhau để đưa ra

mức giá hợp lý Kết quả là thông

tin của các bất động sản không

tập trung ở bất kỳ nơi nào Tất

cả thông tin của các bất động

sản thường được đăng trên các

website đăng tin giao bán bất

động sản khi chủ sở hữu có nhu

cầu,chúng ta có thể dễ dàng tìm

thấy tin đăng về nhu cầu bán bất

động sản Thòng tin của hơn 10

nghìn bất động sản đã được thu

thập trên trang website dành

riêng cho thị trường nhà thổ cư

tại Hà Nội, chứa thôngtin những

tin đăng từ tháng 6/2021 đến

tháng 12/2021 Tổng số lượng

bản ghi thu được ban đẩu là hơn

30 nghìn bản ghi Những đặc

điểm được thu thập bao gồm:

Diệntích, chiều dài, mặttiền, diện

tích, số tầng, số phòng ngủ, địa

chỉ, độ rộng đường trước nhà, số

lượng phòng tắm, hướng, các đặc

điểm nổi trồi: Nhà haimặt tiền,có

thể kinh doanh được ngoài ra,

chúng tôi còn thuthập các thông

tin khác thông qua địa chỉ như:

Tọa độ địa lý: Vĩ độ (lat), kinh độ

(long), tiện ích khu dân CƯ: Gần

chợ, gấn trường học, bệnh viện,

có khu vui chơi trẻ em Có tất cả

gần 20 thuộc tính được thuthập

(Hình 1)

Dữ liệu thô được lấy từ trang

web trên mạng Internet, điều

này có thể dễ dàng thực hiện

được bằng cách phân tích mã của

Hình 1: Ví dụ thông tin về bất động sản được rao bán trên website

Mhà 3 tằng 1 tỷ 220 triệu gần Bến xe Yên Nghía - Hà Đòng-rè nhất Hà Nội

3m Diện tích: 30 m Giá: 1.22 tv

Hôm nay

Nhà xây 3 tầng có 3 ngù và 2wc Diện tích đất 30m *Hoàn thiện nôi thất đep như hình chì mang đồ

về ồ * Nội thất - Cầu thang gỗ tự nhiên - Cửa thông phòng gỗ Tù bép gồ tự nhiên sang trong - Cửa nhõm chát lư « xem chi tiết »

Đườna Biên Giana Phướna Biên Giana Quân Há Đóng Hà Nôi

Hình 2: Tỷ lệ % giá trị khuyết thiếu của các thuộc tính

Độ rộng đường ■■■■■■■■■■■■■■■■■ 41

Số nhà vệ sinh MBHMHBMMH 24 Mặt tiền ■■■■■■■■ 20.5

Số phòng ngủ ■■■■■■■■MI 20

Số tầng BMIMBI 13.8 Giá/m2 M 3.8 Giá ■ 2.6 Diện tích ■ 1.2 Gẩn trụ sở ủy ban phường/quận 1 0.5

Gẩn trường học 1 0.5 Gần bệnh viện 1 0.5 Gần chợ 1 0-5 Gần khu vui chơi 1 0‘5 Long 1 0-5 Lat 1 05

0 20 40 60 80 100 120

ngôn ngữ đánh dấu siêu văn bản

(HyperTex Markup Language -HTML)của các tinđăng bất động sản, tọa độ lat, long của bất động sản được lấy thông qua Google

API, ngoài ra các thông tin về cơ

sở hạ tầng cũng được lấy qua Google API như khoảng cách tới bệnh viện, trường học, khu vui

chơi gần nhất

2.2 Xử lý dữ liệu khuyết thiếu

Vì dữ liệu của chúng tôi có được

từ các tin đăng trên Internet, do

đó có rất nhiều thông tin bị khuyết thiếu Cácwebsiteđã để sẵn một

số đặc trưng mà người mua cần biết về căn nhà Tất nhiên, không

phải tất cả những đặc trưng này đều cẩn thiết cho mô hình của

chúng tôi Hình 2 biểu diễn số

lượng những khuyết thiếu của

mỗi đặc trưng Một cách trựcgiác,

những đặc trưng đều ảnh hưởng

tới giá trị dự báo của căn nhà, ví

dụ mộtngôi nhà có số tầng nhiểu hơn thì sẽ có giá trị cao hơn một ngôi nhà tương tự có số tầng thấp hơn

Thuật toán chúng tòi lựa chọn

không được áp dụng trên dữ liệu khuyết thiếu Cả hai phương pháp hồi quy tuyến tính và k-hàng xóm

gần nhất đểu cẩn phải có đầy đủ

thông tin của các đặc trưng được đưa vào mô hình Một cách đơn giản có thể thay thế giá trị khuyết thiếu bằng 0 hoặc giá trị trung

bình, việc này giúp mò hình hoạt

động nhưng cũng có thể khiến tạo thêm nhiễu dữ liệu Chúng

tôi không mong muốn xóa bỏcác

đặc trưng có chứa giá trị khuyết thiếu ra khỏi mô hình bởi nó sê ảnh hưởng tới sự giàu thông tin của bộdữliệu cũng như khả năng

dựđoán

Nghiên cứu quyết định sử dụng

3 hướng tiếp cận để xử lý với dữ

liệu khuyết thiếu đối với những

thuộc tính nhận giá trị số thực

như độ rộng đường, mặt tiền, số

tầng: Loại bỏ những mẫu chứa dữ

liệu khuyết thiếu, dự đoán giá trị

khuyết thiếu bằng phương pháp

cực đại kỳ vọng (Expectation

Maximum - EM) và dự đoán giá

trị khuyết thiếu bằnggiá trị trung

bình của các đặc trưng Đối với

những thuộc tính như: Có thang

máy, hai mặt tiền thì chúng tôi sẽ

coi như nếu khách hàng không

nhắc đến thuộc tính này thì nhà

của họ không có các đặc điểm

Ỉrên và những đặc trưng này nhận

|iá trị mặc định là 0 Với những

lản ghi không có thông tin lat,

long thì chúng tòi sẽ tiến hành

xóa bỏnhữngbản ghi này

Phương pháp đơn giản nhất là

thay thếgiá trị khuyết thiếu bằng

giá trị trung bình của mỗi đặc

trưng Mặc dù phương pháp này

g úp chúng tôi giữđược rất nhiều

bản ghi, nhưng có thể tạo ra hiệu

ứng không cân bằng dữ liệu.Điều

nắy có thể gây ảnh hưởng tới sức

manh dự báo của mô hình Cuối

cùng, chúng tôi quyết định thử

ƯóỊc lượng giá trị khuyết thiếu

thèo hướng EM Mỗi giátrị khuyết

thiếu được gán một giá trị mặc

địhh là giá trị trung bình của các

đặc trưng Sau đó chúng tôi lặp

lại việc thử huấn luyện một mô

hình xác suất và ước lượng giá trị

khdyết thiếu tới khi thấy nó hội

tụ Trong khi cài đặt phương pháp

này, chúng tôi sử dụng mô hình

MultinomialNB trong thư viện

Scikit-learn để ước lượng giá trị

khuyết thiếu Mỗiđặc trưng chứa

dữ liệu khuyết thiếu,một mô hình

được xây dựng để sử dụng các

đặc trưng còn lạiđể dựbáo giá trị

khuyết thiếu của đặc trưng này

Sau đó, chúng tôi sử dụng mô

hình này để ước lượng lại giá trị khuyết thiếu

Lưu ý rằng các hạn chế chính từ

mô hình này phát sinh từ các giả

định của thuật toán Naive Bayes

Để phương pháp này có hiệu quả,

giả định về tính độc lập có điểu kiện phải được duy trì và các đặc trưng khác phải đủ phong phúđể

dự đoán giátrị của các đặc trưng khuyết thiếu

3 XÂY DỰNG MÔ HÌNH

Do có một lượng lớn dữ liệu khuyết thiếu,chúng tôi không chỉ

xem xét cả hiệu suất thuật toán

mà còn cả các phương pháp xử

lý dữ liệu khuyết thiếu Mỗithuật toán được chạy với mỗi phương pháp để xửlýdữliệu khuyết thiếu

Các thuật toánđãđược tối Ưu hóa

để có kết quảtốt hơn trên các tập

huấn luyện và một tập kiểm tra

đã được sử dụng để đánh giá cuối

cùng Để chọn phương pháp tốt

nhất xử lý dữ liệu bị thiếu và điều

chỉnh các siêu tham số, xác thực

chéo 5 lần đã được sử dụng Khi việc nhập dữliệu bịthiếuyêu cầu

thống kê từdữ liệu (EM và truyền

dữ liệu trung bình), mô hình chỉ được tạotrên dữ liệu huấn luyện

và sau đó được sử dụng để đưa ra

các giá trị của dữ liệu thử nghiệm

3.1 Lựa chọn đặc trưng

Các đặc trưng được chia làm hai nhóm lớn, nhóm định tính và nhóm định lượng Những biến

định tính như: Hướng nhà, hướng ban công, có thang máy, có hai mặt tiền có thể sử dụng các giá trị nguyên để mã hóa Với những

đặc trưng định tính nhận nhiểu

giá trị, chúng tôi sửdụng kỹ thuật

One-hot encoding sẽtốt hơn cho việc xây dựng mô hình vì sẽ tránh

được việc vô tình tạo ra các mối tương quan tuyến tính giữa các

thuộc tính

Lựa chọn đặc trưng đã được

TRAO ĐÓI 1«

thực hiệntrong cácthuật toán hổi quytuyến tính hay hồi quy Lasso

Điều này cho phép những thuộc

tính không ảnh hưởng tới mô

hình được loại bỏtrong quá trình xây dựng mô hình

3.2 Lựa chọn thuật toán

Dưới đây là mô tả ngắn gọn

vể các thuật toán được xem xét

Chúng được chọn từ một loạt các thuật toán vì trong quá trình thử

nghiệm ban đầu, chúng có kết quả tốt nhất và cho thấy nhiều

hứa hẹn

Phần này sẽ mô tả những thuật toán được xem xét để xây dựng

mô hình, những thuật toán này

được lựa chọnvìtính hiệu quảcủa

chúng đối với những bài toán dự báotrên tậpdữ liệucó cấu trúc

Hổi quy tuyến tính

Hồi quy tuyến tính là một phương pháp đơn giản và kinh điển, thuật toán sẽ xây dựng một

đường/siêu phẳng trong không

gian của cácđặctrưng nhằm biểu diễn mối liên hệ giữa giá trị căn nhà và các đặc trưng liên quan dưới dạng một biểu thức tuyến tính:f(x')—P0+S”1Pixi!

Trong đó: m là số lượng đặc trưng được đưa vào mô hình, f(x’)

là giá nhà dự báo dành cho căn nhà có các đặc điểm tài chính được

biểu diễn bằngvector xi=(xj, ,x$

có độ dài m tương ứng với m đặc

trưng,p là trọng số của đặc trưng thứ i trong mô hình, xị biểu diễn đặc trưng thứ i của vector x> Có

nhiều hướng tiếp cận khác nhau

để tìm giá trị của các trọng số Pr Cách thức cài đặt trong thư viện Scikit-learn sửdụng phươngpháp bình phương tối thiểu sao cho bộ trọng số p tìm được làm cho hàm

số sau đạtgiá trị tối thiểu

Err(P)=S.:i(y.- s^x’)2 Trong đó, yj là giá trị của căn nhà thứ j trong bộ dữ liệu và

aTRAO ĐỔI

xJ=(xị, xjj là vector đặc trưng

của căn nhà thứ j trong bộdữliệu,

n là tổng sốquan sát

Ngoài ra, sử dụng phương

pháp suy giảm độ dốc (Gradient

descent)cũng là một hướng tiếp

cận để tìm ra các trọng số này

Hồi quỵ tuyến tính được chúng

tỏi quan tâm không chỉ vì nó là

một phương pháp phổ biến mà

còn bởi tính giải thích trực quan

của mô hình Dựa vào độ lớn của

các trọng số, chúng ta có thể biết

đặc trưng nào ảnh hưởng nhiều

nhất đến giá của một ngôi nhà và

liệu có mối tương quan thuận hay

nghịch không Đây cũng là mục

tiêu của nghiêncứu này

Hổi quy Lasso

Hổi quy Lasso về bản chất

tương tự như hổi quy tuyến tính

nhưng có một số cải tiến Đó

là đưa thêm một số ràng buộc

vào mò hình nhằm ngăn chặn

hiện tượng không mong muốn

(Overfitting) của mô hình Trong

hồi quyLasso,giá trị các trọng số bị

giới hạn giá trị quamột biểu thức

phạt.Điểu nàybuộc các đặc trưng

ít quan trọng hơn phải có trọng

số nhỏ hơn hoặc thậm chí bằng

0 và ngầm loại bỏ các đặc trưng

vô dụng trong quá trình này Bởi

ngay cảcác nhà môi giới bất động

sản cũng có rất nhiều ý kiến trái

chiểu vể ảnh hưởng của các đặc

trưngtới giá thành của bất động

sản Dođó,trong một miến ýkiến

phức tạp nhưvậy, thuật toán này

sẽ giúp chúng tôi loại bỏ các đặc

trưngkhông liên quan

Trọng số của các đặc trưng sẽ là

nghiệm của bài toán tối Ưu sau:

min(ri(/-P0-ZiT1xJpimZiT1|Pi|)

K-hàng xóm gân nhất (KNN)

KNN có cách tiếp cận khác Giả

định cốt lõi của hướng tiếp cận

này là các mẫu vector có đặc

trưng giống nhau thì sẽ cho kết

Bảng 1: % sai sô trung bình tuyệt đối của phương pháp hồi quy Lasso khi sử dụng các phương pháp xử lý giá trị khuyết thiếu khác nhau và hiệu chỉnh tham sô

Hình 3: Tỷ lệ % sai sô trung bình của thuật toán hồi quy tuyên tính

Phươnq pháp xử lý dữ liệu khuyết thiếu Ầ % sai số tuyệt đỗi

35%

30%

25%

20%

15%

10%

5%

0%

quả tương tự Các vùng lân cận của một điểm dữ liệu sẽ được

dùng làm căn cứ đánh giá chứ

không phải các điểm ở xa Trong một tácvụ hói quy, khi các lân cận

đã được định vị, giá trị trung bình

của chúng(hoặc giá trị trungbình

có trọng số) được lấy để gán cho

điểm truy vấn Với bài toán định

giá bất động sản thì có thể nói

thuật toán này cũng là một ứng

cử viên tốtvì giá của các bấtđộng sản tương đương

KNN có một sự phụ thuộc vào

bộ dữ liệu.Có nghĩa là khi chúng

ta xử lý dữ liệu khuyết thiếu, nếu

vô tình tạo ra một sự thiên lệch

nàođó thì sẽkhiến cho chấtlượng

mô hình bị kém đi vì những bất động sản có thể cóđặcđiểm khác

Hình 4: % sai sô trung bình của mô hình xây dựng bằng thuật toán KNN

kết hợp với các cách xử lý dữ liệu khuyết thiếu

60.00

10.00

0.00

1 5 10 20 30 40 50 60 80 90 100

k

nhau nhưng lại vò tình được kéo

lại gần nhau Để tính khoảng cách

giữa các quan sát, chúng tôi sử

dụng khoảng cách Euclid:

d(a,b)=V(S"1|ai-b112)

Trong đó: a = (a,, a2, ,am) và b

= (b^bj, bm) là 2 vector có độ

dài m

4 KẾT QUẢ THỰC NGHIỆM

4.1 Phương pháp hồi quy

tuyến tính

Hình 3sosánh hiệu quả của mô

hình hôiquy tuyến tính thông qua

ba bộ dữ liệu sau khi đã xử lý dữ

liệu khuyết thiếu Kết quả dự báo

khi loại bỏ hết các dữ liệu khuyết

thiếu đang là tốt nhất, với giá trị

trung bình tỷ lệ sai số tuyệt đối

là 21,6%

4.2 Hổi quy Lasso

Với hổi quỵ Lasso, với các

phương pháp xử lý giá trị khuyết

thếu chúng tôi cũng tối ưu giá

trị tham số.Tuy nhiên, hiệu suất

4.3 KNN

Giá trị k=5 cho kết quả tối ưu như trong Hình 4 Một lần nữa kết

quả cho thấy, việc xóa bỏ hếtcác quan sát chứa giá trị khuyết thiếu

cho kết quảtốt hơn (Hình 4)

4.4 Các đặc trừng được lựa chọn

Phương pháp hồi quy tuyến

tính và hói quy Lasso đã xử lý các đặc trưng đượcthuthậptrực tiếp

từ trang webvà các thòngtin liên quan tớicơsở hạ tầng qua Google API, khi phân tích mò hình, chúng tôi nhận thấy rằng, các thông số

liên quan tới cơ sở hạ táng có

trọng số rất thấp trong mô hình

Tuy nhiên, trọng số của hai tham

số lat, long lại cóđốitrọng rất lớn,

có thể vì ý nghĩa giải thích của các tham số đó đã được hàm chứa trong các tham số tọa độ

5 KẾT LUẬN

Nghiên cứu này của chúng tôi

đã để xuấtphương pháp giúp các

tổ chứctín dụng thu thập dữ liệu

về giá của bất động sản trên thị

trường theo thời gian thực, từ đó

có mộtnguồn dữliệu dói dào làm

căn cứkhách quan để thẩm định

giá trị của các bất động sản dựa trên thòng tin của các bất động

sản tương đồng Từ đó, hạn chế được những sai lẩm hay sự thiếu minh bạch trong quá trình thẩm địnhtài sản thế chấp, qua đó, các

tổ chức tín dụng cũng gia tăng năng suất và tỷ lệ cấp phát những

khoản vay an toàn

Hai phương pháp hổi quy tuyến tínhvà hổi quy Lassođược sử dụng trongnghiên cứu đã giúp chúng tôi tìm rađược mức độ quantrọngcủa các đặctrưng tới giá trị của mộtcăn nhà Các đặctrưng liên quan tới cơ

sở hạ tầng không chứngminh được vai tròcủa nó đối với giátrị của một căn nhà Những đặc trưng có giá trị khuyết thiếu nhiều không có ý

nghĩa trong việc xây dựng mò hình

Các đặc trưng ảnh hưởng nhiều nhất tới mô hình dự báogiátrị của căn nhà bao gồm: Diện tích, mặt

tiền, vị trí của căn nhà (tọa độ lat, long), sốlượng tẩng, độ rộng đường

trước nhà Mô hình được chúng tôi

xây dựng cósaisố trungbình thấp

nhấtkhoảng 20% với phương pháp KNN, đây không phải một kết

quả đượcchúngtòi kỳvọng nhưng nghiên cứu này cũng là một minh chứng cho tính khả thi của việc xây

dựng hệ thống hỗ trợ thẩm định

giá tựđộng dựa trên cáckỹthuật trí tuệ nhântạo, hỗ trợnhân viênthẩm địnhchọn lọc và đánh giá thông tin của bất động sản trong quá trình

thẩmđịnh.B

dường như chỉ bị ảnh hưởng nhẹ

Bảng 1 mộtlần nữa cho thấy rằng

việc loạibỏ dữ liệu bịthiếu là hiệu

quả nhất, phần trăm sai số tuyệt

đối trung bình tốt nhất là 6% Giá

trị bằng 100 đang cho kểt quả

tốtnhất

TÀI LIÊU THAM KHẢO:

I.OIinsky, Alan, Shaw Chen, and Lisa Harlow."The comparative efficacy of imputation methods for missing data in structural equation modeling" European Journal of Operational Research 151.1 (2003): 53-79

2 Park, B., & Bae, J.K (2015) Using machine learning algorithms for housing price prediction: The case ofFairfax County, Virginia housing data Expert Systems with Applications,

42(6), 2928 - 2934 [3] Yu, C.Y., Lam, K.c & Runeson, G (2008) SVM and entropy based decision support system for property valuation Proc., 11th Eleventh East Asia-Pacific Conf, on Structural Engine & Construction.