pdf
Опубликован
2024-06-28
Выпуск
Раздел
Информатика, вычислительная техника
Лицензия
Copyright (c) 2024 М. А. Зуев, В. М. Шибаев, К. С. Баланев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал «Информатика. Экономика. Управление» / «Informatics. Economics. Management» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
Как цитировать
Разработка модели K-Means для выявления наиболее выгодных предложений на рынке недвижимости Москвы
М. А. Зуев
В. М. Шибаев
К. С. Баланев
DOI: https://doi.org/10.47813/2782-5280-2024-3-2-0212-0218
Ключевые слова: кластеризация данных, K-Means, анализ недвижимости, оптимизация выбора, машинное обучение, рынок недвижимости Москвы
Аннотация
В статье рассматривается применение модели кластеризации K-Means для анализа рынка недвижимости Москвы. Основное внимание уделяется сегментации рынка с целью выявления наиболее выгодных предложений. Использованные данные включают параметры стоимости, площади, близости к метро, год постройки и другие характеристики объектов недвижимости. Метод "локтя" был применен для определения оптимального числа кластеров, которое впоследствии было увеличено до восьми для более точного сегментирования. Полученные результаты показали, что кластер 0 представляет собой наиболее доступные и выгодные предложения. Модель K-Means, разработанная в ходе исследования, может быть использована покупателями для оптимизации процесса выбора жилья, снижая временные и финансовые затраты.
Биографии авторов
М. А. Зуев
Зуев Максим Алексеевич, студент, кафедра «БИТ», инженерно-экономический институт, направление «Прикладная информатика», ФГБОУ ВО «НИУ «МЭИ», г. Москва, Россия
В. М. Шибаев
Шибаев Владимир Михайлович, студент, кафедра «БИТ», инженерно-экономический институт, направление «Прикладная информатика», ФГБОУ ВО «НИУ «МЭИ», г. Москва, Россия
К. С. Баланев
Баланев Кирилл Сергеевич, ассистент, ФГБОУ ВО «НИУ «МЭИ», г. Москва, Россия
Библиографические ссылки
Shi D., Guan J., Zurada J., Levitan A.S. An Innovative Clustering Approach to Market Segmentation for Improved Price Prediction. Journal of International Technology and Information Management. 2015; 24(1): 2. https://doi.org/10.58729/1941-6679.1033
Гужова О.А. Регулирование рынка жилья с помощью кластер-анализа. Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2015; 3: 201-209.
Skovajsa Š. Review of clustering methods used in data-driven housing market segmentation. Real Estate Management and Valuation. 2023; 31(3): 67-74. https://doi.org/10.2478/remav-2023-0022
Крапивина А.А. Факторный и кластерный анализ рынка вторичного жилья. Контентус. 2016; 8(49): 29-35.
Дейтел П., Дейтел Х. Python: искусственный интеллект, большие данные и облачные вычисления. М.: Альпина Паблишер; 2022. 864.
Маккинни Уэс. Python и анализ данных. М.: ДМК Пресс; 2017. 512.
Гитис Л. Х. Статистическая классификация и кластерный анализ. М.: Наука; 2005. 480.
Педрегоса Ф., Варуко Г. Scikit-learn: машинное обучение на Python. Журнал исследований машинного обучения. 2011; 12: 2825-2830.
Баюк И.А., Березин В.В., Иванюк В.И. Практическое применение методов кластеризации, классификации и аппроксимации. М.: Прометей; 2020. 350.
REFERENCES
Shi D., Guan J., Zurada J., Levitan A.S. An Innovative Clustering Approach to Market Segmentation for Improved Price Prediction. Journal of International Technology and Information Management. 2015; 24(1): 2. https://doi.org/10.58729/1941-6679.1033 DOI: https://doi.org/10.58729/1941-6679.1033
Guzhova O.A. Regulirovanie rynka zhil'ya s pomoshch'yu klaster-analiza. Nauchnyj zhurnal NIU ITMO. Seriya «Ekonomika i ekologicheskij menedzhment». 2015; 3: 201-209. (in Russian)
Skovajsa Š. Review of clustering methods used in data-driven housing market segmentation. Real Estate Management and Valuation. 2023; 31(3): 67-74. https://doi.org/10.2478/remav-2023-0022 DOI: https://doi.org/10.2478/remav-2023-0022
Krapivina A.A. Faktornyj i klasternyj analiz rynka vtorichnogo zhil'ya. Kontentus. 2016; 8(49): 29-35. (in Russian)
Dejtel P., Dejtel H. Python: iskusstvennyj intellekt, bol'shie dannye i oblachnye vychisleniya. M.: Al'pina Pablisher; 2022. 864. (in Russian)
Makkinni Ues. Python i analiz dannyh. M.: DMK Press; 2017. 512. (in Russian)
Gitis L. H. Statisticheskaya klassifikaciya i klasternyj analiz. M.: Nauka; 2005. 480. (in Russian)
Pedregosa F., Varuko G. Scikit-learn: mashinnoe obuchenie na Python. Zhurnal issledovanij mashinnogo obucheniya. 2011; 12: 2825-2830. (in Russian)
Bayuk I.A., Berezin V.V., Ivanyuk V.I. Prakticheskoe primenenie metodov klasterizacii, klassifikacii i approksimacii. M.: Prometej; 2020. 350. (in Russian)
