การพยากรณ์ราคาขายทรัพย์สินรอการขายประเภทบ้านเดี่ยว ในพื้นที่กรุงเทพมหานครโดยใช้เทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การนำปัญญาประดิษฐ์มาใช้ในอุตสาหกรรมอสังหาริมทรัพย์ นอกจากจะช่วยให้ผู้บริโภคมีข้อมูล
ในการตัดสินใจซื้ออสังหาริมทรัพย์ที่มีประสิทธิภาพมากขึ้นแล้ว ยังช่วยให้ผู้ประกอบการธุรกิจอสังหาริมทรัพย์สามารถนำข้อมูลมาใช้ประโยชน์ได้อย่างเต็มที่ รวมถึงสร้างโอกาสและเพิ่มมูลค่าในการแข่งขัน บทความนี้มีวัตถุประสงค์เพื่อทดสอบประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่องในการสร้างแบบจำลองพยากรณ์ราคาขายทรัพย์สินรอการขายประเภทบ้านเดี่ยวในพื้นที่กรุงเทพมหานคร โดยใช้วิธีการวิจัยเป็นการวิจัยเชิงปริมาณและใช้แนวคิดการเรียนรู้ของเครื่องเป็นกรอบการวิจัย ทำการเก็บรวบรวมข้อมูลจากกลุ่มตัวอย่างทรัพย์สินรอการขายประเภทบ้านเดี่ยวในพื้นที่กรุงเทพมหานคร จำนวน 446 ตัวอย่าง ใช้วิธีการคัดเลือกแบบสะดวกโดยเลือกทรัพย์สินรอการขายประเภทบ้านเดี่ยวในพื้นที่กรุงเทพมหานครที่มีข้อมูลครบถ้วนตามตัวแปรที่กำหนด จากนั้นทำการบันทึกข้อมูลลงในแบบตรวจสอบรายการ วิเคราะห์ข้อมูลโดยใช้สถิติเชิงพรรณนาและเทคนิคการเรียนรู้ของเครื่อง ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน เทคนิคต้นไม้กาเดียนบูทสเต็ท เทคนิคโครงข่ายประสาทเทียม และเทคนิคการทำเหมืองข้อมูลแบบรวมกลุ่ม
ผลการวิจัยพบว่า สมการพยากรณ์ที่ได้จากการใช้เทคนิค Ensemble Vote ให้ค่าความคลาดเคลื่อนเฉลี่ยกําลังสองในการพยากรณ์ต่ำที่สุดเมื่อเทียบกับแบบจำลองที่เป็นส่วนประกอบ โดยมีค่า RMSE, ค่า R2 และค่า Beta ของแบบจำลองเท่ากับ 3,746,335.580 บาท 0.5377 และ 0.4919 ตามลำดับ จะเห็นได้ว่า การสร้างสมการพยากรณ์ราคาขายทรัพย์สินรอการขายประเภทบ้านเดี่ยวในพื้นที่กรุงเทพมหานครโดยใช้เทคนิคการเรียนรู้ของเครื่องที่หลากหลาย ช่วยเพิ่มประสิทธิภาพโดยรวมของสมการพยากรณ์ เนื่องจากการนําตัวจําแนกข้อมูลที่หลากหลายมารวมกันด้วยวิธีการรวมกลุ่ม สามารถช่วยลดปัญหาการเกิดไบแอสของข้อมูลได้และเสริมประสิทธิภาพในการจําแนกข้อมูล ทำให้โมเดลที่ได้มีประสิทธิภาพมากขึ้น ทั้งนี้ ผู้ประกอบการธุรกิจอสังหาริมทรัพย์สามารถนำเทคนิคการเรียนรู้ของเครื่องไปใช้วิเคราะห์ข้อมูล
เพื่อแสวงหาผลประโยชน์จากข้อมูลประกอบการตัดสินใจ โดยเทคนิคการเรียนรู้ของเครื่องสามารถสร้างสมการพยากรณ์ได้โดยใช้ข้อมูลที่สามารถหาได้จากเครือข่ายอินเทอร์เน็ตแม้ว่าจะมีข้อมูลจำนวนไม่มากนัก
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Alpaydin, E. (2014). Introduction to machine learning (3rd ed). MIT Press.
Armstrong, H. (2015). Machines Thai learn in the wild. Nesta.
Berry, M. W., Mohamed, A., & Yap, B. W. (2020). Supervised and unsupervised learning for data science. Springer.
Cates, S., Lawrence, S., Penedo, C., & Samatova, V. (2017). A machine learning approach to research curation for investment process. Journal of Investment Management, 15(1), 39-49.
Dastres, R., & Soori, M. (2021). Artificial Neural Network systems. International Journal of Imaging and Robotics (IJIR), 21(2), 13-25.
Hair, J., et al. (2010). Multivariate data analysis (7th ed.). Pearson Education International.
Jiamwiriyakul, B. (2019). Portfolio return prediction in property development sector using neural network [Master’ s Independent Study, Mahidol University].
Kuflinski, Y. (2020). 6 ways artificial intelligence is reshaping real estate. Iflexion. https://www.iflexion.com/ blog/artificial-intelligence-real-estate.
Minsky, M., Papert, S. A., & Bottou, L. (2017). Perceptrons: An introduction to computational geometry. MIT Press.
Real Estate Information Center. (2021). The situation of the second-hand housing market across the country in the 4th quarter of 2020. Real Estate Information Center. https://www.reic.or.th/Upload/ PressRelease210304_32354_1614874695_ 87218.pdf.
Saigal, P. (2020). Support Vector Machines: Evolution and applications. Nova Science Publishers.
Sawangum, W. (2022). The online consumer hits for condominium photo using machine learning technique [Master’ s Thematic Paper, Dhurakij Pundit University].
Sunkpho, J., & Ramjan, S. (2020). Predicting condominium price in Bangkok using web mining techniques. Srinakharinwirot Research and Development Journal of Humanities and Social Sciences, 12(24), 15-27.
Thanwanont, P., Yingseri, C., Pongpetch, W., & Kangkajit, T. (2017). Predict stock price trends in stock exchange of Thailand using ensemble model. Journal of Information Science and Technology, 7(1), 12-21.
Tochaiwat, K. (2023). Machine learning transforms the real estate business. Bangkokbiznews. https://www.bangkokbiznews.com/tech/innovation/1088762
Vongsung, S. (2022). A study of investment model for residential real estate development: A case study of Nakhon Si Thammarat Province [Master’ s Independent Study, Prince of Songkla University].
Yang, X.S. (2019). Introduction to algorithms for data mining and machine learning. Candice Janco.