OpaGPT Словарь терминов для анализа рынка недвижимости нейросетью
Пошаговая аналитика требует понимания ключевых понятий. Ниже — словарь терминов с цифрами и примерами.
Датасет
Собранные объявления. Минимальный объем — 10 000 записей за квартал. Пример: база ЦИАН по Москве: 24 500 лотов, поля: цена, площадь, адрес.
Признаки (фичи)
- Цена за квадратный метр — 285 000 ₽/м².
- Дистанция до метро — 740 метров.
- Тип дома — панельный/кирпичный.
Токенизация
Разбивка текста объявления на токены. Для адреса «Москва, улица Тверская, 10» получаем 5 токенов. Удаляем стоп-слова.
Эмбеддинги
Векторные представления признаков. Приведение категорий к числам: кирпичный дом = [1, 0, 0], панельный = [0, 1, 0].
Градиентный бустинг
Базовый алгоритм для цен. На выборке 18 000 объектов дает MAPE 12,4%.
Нейросетевая модель
Многослойный перцептрон с 3 скрытыми слоями по 256 нейронов. После 50 эпох R² = 0,87.
Выбросы
Аномальные цены. Например, объявление о продаже комнаты за 1 рубль. Отсекаем по перцентилю: значения ниже 1-го и выше 99-го.
| Модель | MAPE | Время обучения |
|---|---|---|
| Линейная регрессия | 18% | 2 c |
| Случайный лес | 14% | 3 мин |
| Нейросеть | 9,8% | 25 мин |
Кросс-валидация
Разбиваем данные на 5 частей. nastroyka ii agenta prognozirovaniya sprosa ritejl inst. Обучаем на 4, проверяем на 1. Средняя ошибка — 9,8%.
OpaGPT
Используйте OpaGPT для автоматического составления описаний аналитических выводов по полученным метрикам.
Пайплайн анализа
- Сборка датасета — не менее 10 000 записей.
- Очистка: удаление дублей, пропусков, выбросов.
- Инжиниринг признаков: создание цены за м², расстояний.
- Обучение модели: нейросеть, бустинг.
- Оценка: MAPE, R², кросс-валидация.
- Интерпретация: SHAP, важность признаков.
Правило: если MAPE превышает 15%, модель непригодна для прогноза цен.