Banki tulajdonban lévő ingatlanok értékesítési árának és idejének előrejelzése regressziós modellekkel és bináris klasszifikációs eljárással
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | bank értékesítés ingatlan Python regresszió analízis |
| Online Access: | http://dolgozattar.uni-bge.hu/54065 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg54065 | ||
| 005 | 20240514080534.0 | ||
| 008 | 240514suuuu hu om 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Juhász Balázs | |
| 245 | 1 | 0 | |a Banki tulajdonban lévő ingatlanok értékesítési árának és idejének előrejelzése regressziós modellekkel és bináris klasszifikációs eljárással |c Juhász Balázs |h [elektronikus dokumentum] |
| 520 | 3 | |a Dolgozatom a hitelszerződések nemteljesítése miatt indult, a végrehajtási eljárásban árverés során - a követeléstulajdonos által - vásárolt ingatlanok értékesítésére vonatkozó eljárás folyamatát, valamint az értékesítés elősegítése érdekében használható adatelemzési procedúrát, majd az abból fakadó előrejelzési műveleteket járja körül. A cél annak bizonyítása volt, hogy a rendelkezésre álló értékesített ingatlanadatok felhasználásával, olyan előrejelzés végezhető a várható piaci értékre és az eladás idejére vonatkozóan, amelynek segítségével rövidebb idő alatt, magasabb profitot érhet el az ingatlan tulajdonosa az értékesítési folyamat során. A gyakorlati megvalósítás során a rendelkezésre álló adatok vizsgálatával, a korrelációelemzéssel felismert kapcsolatok természetének, viselkedésének, működésének feltárását követően, betekintést nyújtottam a többváltozós regressziós és a bináris klasszifikációs alapokon nyugvó predikciós algoritmusok használatába, igazoltam azok későbbi használhatóságát és hasznosságát. A legnagyobb pontosságú előrejelző algoritmusok kiválasztása érdekében, számításokat végeztem Python Regresszor és Classifier függvényeit felhasználva – előbbinél a Lineáris regresszió mellett Döntési Fa, Véletlen erdő, GBM, XGBoost, LightGBM, Neurális háló, utóbbinál Logisztikus regresszió, KNN, Döntési fa, Véletlen erdő, GBM, XGBoost, LightGBM modelleket tesztelve. A modellek összehasonlítása és a legmegfelelőbb kiválasztása után, mindkét vizsgálatnál Python predict() előrejelző függvénye került felhasználásra, ami lehetővé tette, hogy a betanított modell alapján és az ingatlan paramétereit megadva megjósoljam az eladásra szánt ingatlanok értékét, és megbecsüljem az értékesítéshez szükséges idő hosszát. A témakör feltárása során bizonyítást nyert, hogy fentiekben ismertetett célok többnyire teljesültek, ugyanakkor az üzleti szintű használathoz a rendelkezésre álló adatok bővítésére, további modellek bevonására, és a jelenlegiek továbbfejlesztésére van szükség. | |
| 695 | |a bank | ||
| 695 | |a értékesítés | ||
| 695 | |a ingatlan | ||
| 695 | |a Python | ||
| 695 | |a regresszió analízis | ||
| 700 | 1 | |a Hidelmayer Csicsman József |e ths | |
| 700 | 1 | |a Tulák Zsolt |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/1/Juh%C3%A1sz_Bal%C3%A1zs_V16KQD.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/2/Juh%C3%A1sz-Bal%C3%A1zs_szakdolgozat_titkos%C3%ADt%C3%A1si-k%C3%A9relem.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/3/Melleklet_Juh%C3%A1sz_Bal%C3%A1zs_v16kqd.zip |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/4/BA_O_Juh%C3%A1sz_Bal%C3%A1zs.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/5/Juh%C3%A1sz_Bal%C3%A1zs-bir%C3%A1lat-Csicsmantol.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/54065/6/BA_B_Juh%C3%A1sz_Bal%C3%A1zs.pdf.pdf |z Dokumentum-elérés |