Identification of locational influence on real property values using data mining methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The value of real estate is an important matter for municipal authorities, since property tax is one of their main budget sources. Its estimation tends to be a complex process, owing to the diversity of factors affecting it. One of those factors is property location, which embraces the geographic relationship between the property and the surrounding local amenities. Hedonic modelling is frequently applied to estimate the value of a property; to consider the influence of property location within such models, the region under analysis is usually divided into homogeneous areas. This division can introduce a bias (a particular vision) related to the modifiable areal unit problem. Our intent in this paper is to apply data mining techniques to address a possible valuer bias, a particular valuer’s vision, in the current City of Calgary assessment model. Employing the decision tree technique, one locational attribute (Sub-Neighbourhood) was represented by the (x, y) coordinates of the properties, with approximately 96% correct classification with respect to their City of Calgary sub-neighbourhood designation. By adopting the regression tree technique, we show that it is possible to explain approximately 73% variability of the Sale Price attribute, using only the attribute Sub-Neighbourhood or the (x, y) coordinates as input. In general, the results showed a consistent relationship between property value and location. Additionally, the sale price patterns of actual properties do not conform strictly to the politico-administrative units adopted by the city. Those patterns usually cross the unit boundaries limits or are mixed inside a unit. Our results suggest that using a property’s spatial coordinates, instead of political-administrative subdivisions, to express its location, would lead to more accurate results and not incur the possibility of bias.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle