부동산 가치 측정을 위한 머신 러닝 알고리즘과 설명 가능한 인공지능

도시 부동산 가치의 정확한 추정은 감정사, 시장 참여자, 금융 기관 및 도시 계획자에게 중요한 도전 과제입니다. 최근 몇 년 동안 머신 러닝(ML) 기술은 변수 간의 복잡한 관계를 모델링할 수 있는 능력 덕분에 가격 예측을 위한 유망한 도구로 떠오르고 있습니다. 그러나 이들의 적용은 두 가지 주요한 문제를 제기합니다: (i) 작은 데이터 세트나 노이즈가 많은 데이터와 함께할 경우 과적합의 위험; (ii) 많은 모델의 “블랙박스” 특성과 관련된 해석 문제. 이러한 프레임워크 내에서, 본 논문은 이 두 가지 문제를 해결하는 방법론적 접근을 제안하며, 이탈리아 살레르노 도시의 주택 시장에 적용된 세 가지 ML 알고리즘인 k-최근접 이웃(kNN), 랜덤 포레스트(RF), 인공 신경망(ANN)의 예측 성능을 비교합니다. 각 모델에 대해 과적합을 사전 평가하여 예측의 강건성을 보장합니다. 이후 SHapley Additive exPlanations(SHAP)와 Permutation Feature Importance(PFI)와 같은 설명 가능성 기법을 사용하여 결과를 해석합니다. 이 분석은 랜덤 포레스트가 예측 정확성과 투명성 간의 최상의 균형을 제공하며, 면적과 기차역과의 근접성과 같은 특징이 부동산 가격의 주요 요인으로 식별된다는 것을 보여줍니다. kNN과 ANN은 일반화 측면에서 특히 강력한 실행 가능한 대안입니다. 결과는 정의된 방법론적 프레임워크가 예측 효과성과 해석 가능성 간의 균형을 성공적으로 이루며, 부동산 가치 평가에서 ML의 정보에 기반한 투명한 사용을 지원함을 보여줍니다.