«Яндекс Недвижимость» запустила ML-калькулятор для расчёта стоимости квартир или их аренды
Цену высчитывает модель, обученная на данных сервиса.
- Сервис запустил раздел «Про дом» для собственников и арендаторов недвижимости, сообщила компания. Он доступен на сайте и в его мобильной версии, приложения на iOS и Android обновят в течение месяца.
- В него можно загрузить данные интересующей квартиры (адрес, количество комнат, этаж, площадь, состояние ремонта) и получить динамику цены продажи и аренды в этом доме, а также в домах в радиусе 15 минут пешей ходьбы и в целом в районе.
- Чем больше данных — тем точнее расчёт. Его проводит ML-калькулятор, который обучается на данных «Недвижимости» и «Аренды» — это около 35 млн объявлений за 15 лет. Калькулятор учитывает около 200 параметров: геоданные, количество комнат, ремонт квартиры, информацию о состоянии дома и инфраструктуре рядом с ним.
- При расчёте арендной ставки берутся не только желаемые цены в объявлениях, а реальные сделки, которые совершили через сервис за последние три года. При расчёте цены квартиры берут статистику по району, городу и региону — по стоимости 1 м², количеству предложений.
- По каждой загруженной квартире пользователь получит и подробную информацию о доме: его близость к метро, тип, материал и год постройки, количество этажей, квартир и подъездов, высота потолков, наличие лифтов и так далее. Если пользователь сам хочет сдать или продать жильё, он может в этом же разделе создать объявление — данные подтянутся автоматически.
- Историю цен на квартиры «Яндекс Недвижимость» открыла ещё в 2018 году — в ней можно было самостоятельно изучить архивные и действующие цены.
Занижение цены, как на сдачу так и на продажу. ~10-15% от рынка.
Т.е. попытка продвинуть свой сервис сдачи... Который опять, как и обычный реелтор, не гарантирует нечего.
Да посмотри на соседей, там цены +- такие же. . .
Комментарий недоступен
Недостатки и риски внедрения ML-калькулятора для оценки стоимости недвижимости:
1. Смещение данных для обучения, если они содержали в основном объекты из определенного ценового сегмента или района, что может привести к систематическим ошибкам в оценках.
2. Упрощение сложных факторов, так как алгоритмы могут упустить некоторые нюансы, влияющие на стоимость, такие как престижность района, качество ремонта, виды из окон и т.д.
3. Устаревание модели со временем, если ее не обновлять регулярно на новых данных, учитывая динамичность рынка недвижимости.
4. Дискриминация и необъективность, если в данных для обучения присутствуют признаки дискриминации, например, по национальному или расовому признаку.
5. Отсутствие прозрачности, так как сложные модели машинного обучения часто работают как "черные ящики", и их решения могут быть непрозрачными.
6. Юридические последствия серьезных ошибок в оценке стоимости, которые могут привести к финансовым потерям и судебным искам против компании.
Однушка Румянцево за 65к? %))))))))))))))))))))))))))))))) Ох уж эти машинлернеры Яндекса
Ну а что вы хотели, это сделали не просто так, калькулятор то сломанный, вернее подкрученный.
С такси один алгоритм на двоих