Predicting Used-Vehicle Resale Value in Developing Markets: Application of Machine Learning Models to the Kazakhstan Car Market
Notice bibliographique
Résumé
The burgeoning trade in used vehicles has necessitated further research into price prediction.In developing nations, the abundance of second-hand cars and limited supply of new ones has led to a preference for used vehicles.Consequently, the analysis of vendor data becomes imperative for gaining valuable insights.Sellers are increasingly seeking accurate price predictions to maximize their profits.The assessment of used car prices necessitates a thorough understanding of the features that influence value.Although the inclusion of multiple features can enhance prediction accuracy, the list of these features is non-exhaustive.This study seeks to examine the effectiveness of various regression techniques such as Linear, Decision Tree, SVM machines, Neural Network, and Bagged Trees, alongside machine learning algorithms, in predicting the selling price of used cars based on the associated features.Evaluation metrics will be utilized to identify the most proficient model by examining the performance and error rate of each model.The deep neural network model demonstrates exceptional performance, as indicated by its low RMSE and MSE values, suggesting high efficiency.Some models, including cubic SVM, fine Gaussian SVM, and wide neural network, exhibit a robust correlation (R) in accurately connecting input and output variables.Furthermore, narrow, medium, bilayered, and trilayered neural networks display commendable performance in recording variable correlations.After comparing various models, Bagged Trees were identified as the most cost-effective option per square meter, due to their advantageous pricing and performance.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».