ML

1.

12.05.2026
ИИР НГУ
Шабаров Артём
Климов Богдан
Таксанов Иван
Кристиано Рональдо
мамикс
Семеро козлят
Ловкий билли
Тралалейло тралала
Колян тесла
Предсказание цен на
квартиры в Новосибирске

2.

3.

актуальность
Многие люди при продаже квартиры совершенно не разбираются в рынке и не знают за сколько нужно выставить
свою квартиру чтобы и не продешевить и чтобы она вообще продалась.
С другой стороны некомпетентный покупатель, смотря на цену, не может быть уверен в том что его не
обманывают
Как раз для таких людей мы создали свою нейронную сеть, которая может показать какая цена будет наиболее
подходящей для той или иной квартиры.

4.

Цель:
Создать ИИ, способный по введенным данным вернуть
точную цену квартиры
Задачи:
1. найти/создать датасет для обучения ИИ
2. Выбрать модель
3. Настроить выбранную модель
4. Обучить модель на готовом датасете
5. Создать сайт для простого взаимодействия

5.

Создание датасета
Нашей командой было принято решение генерации данных вручную
Для реалистичности параметров, мы вручную выставляли рамки, и у нас получилось что у каждой квартиры были
следующие данные:
1)Район в котором находится дом
2)Год постройки
3)Этажность дома
4)Материал дома
5)Количетсво комнат в квартире
6)Количество квадратных метров
7)Удаленность от метро
8)Этаж на котором расположена квартира
9)Ремонт
Итоговый датасет состоит из 50-и тысяч квартир

6.

CatBoost
Для своей задачи мы выбрали алгоритм градиентного бустинга, разработанный яндексом в 2017 году
CatBoost(Categorical Boosting)
CatBoost строит решающие деревья, при этом каждое новое дерево исправляет ошибки предыдущего
В нашей ситуации с табличными данными он подошел нам как нельзя лучше
Настраивая CatBoost мы подобрали следующие данные, которые на тестах
показали себя лучше всего:
2500 деревьев, 0.025 размер шага, глубина = 8, L2-регуляция 5, проверка на
изменения каждые 100 итераций, функция потерь RMSE

7.

результаты
По результатам тестирования средняя ошибка модели 381.226 рублей
топ 3 признака по важности:
1)Площадь
2)Район
3)ремонт