Predikcija cijena nekretnina i najma na području grada Zagreba korištenjem modela strojnog učenja

undergraduate thesis

• Title (english): Prediction of real estate prices and rents in the area of the city of Zagreb using machine learning models
• Author: Ana Skukan
• Mentor: Mihaela Vranić (mentor)
• Committee member: Mihaela Vranić (predsjednik povjerenstva)
• Committee member: Damir Pintar (član povjerenstva)
• Committee member: Luka Humski (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-08, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Ovaj rad istražuje primjenu modela strojnog učenja za predikciju cijena nekretnina i najma u Zagrebu. Prikupljeni su podaci s internetskih izvora korištenjem tehnike web scrapinga te su pohranjeni u bazu podataka PostgreSQL. Nakon čišćenja podataka i deskriptivne analize, identificirani su ključni faktori koji utječu na cijene nekretnina.
Korištenjem različitih modela strojnog učenja kao što su linearna regresija, stablo odlučivanja, Random Forest, Gradient Boosting i CatBoost, evaluirane su performanse svakog modela pomoću metrike RMSE, MAE i R². CatBoost pokazao je najbolju točnost u predikciji cijena.
Razvijena je web aplikacija koja korisnicima omogućuje unos karakteristika nekretnine i dobivanje procjene cijene najma ili prodaje na temelju najboljeg modela. Aplikacija nudi brzu i preciznu procjenu, smanjujući nesigurnost i olakšavajući donošenje odluka na tržištu nekretnina.

Iako su rezultati vrlo obećavajući, postoji potreba za daljnjim poboljšanjima, uključujući proširenje skupa podataka i integraciju dodatnih faktora koji utječu na cijene. Preporučuje se korištenje naprednijih tehnika strojnog učenja i geoprostornih podataka za poboljšanje točnosti predikcija.

Abstract (english)

This paper investigates the application of machine learning models for predicting real estate prices and rentals in Zagreb. Data were collected from online sources using web scraping techniques and stored in a PostgreSQL database. After data cleaning and descriptive analysis, key factors influencing real estate prices were identified.
Using various machine learning models such as linear regression, decision tree, Random Forest, Gradient Boosting, and CatBoost, the performance of each model was evaluated using metrics like RMSE, MAE, and R². CatBoost demonstrated the highest accuracy in price prediction.
A web application was developed, enabling users to input property characteristics and obtain rental or sale price estimates based on the best-performing model. The application offers quick and accurate assessments, reducing uncertainty and facilitating decision-making in the real estate market.

Although the results are very promising, further improvements are needed, including expanding the dataset and integrating additional factors influencing prices. It is recommended to use more advanced machine learning techniques and geospatial data to improve prediction accuracy.

• Keywords: Strojno učenje; predikcija; web scraping; analiza podataka; modeli; evaluacija; regresija; CatBoost; web aplikacija; nekretnine; Zagreb.
• Keywords (english): Machine learning; prediction; web scraping; data analysis; models; evaluation; regression; CatBoost; web application; real estate; Zagreb.
• Language: croatian
• URN:NBN: urn:nbn:hr:168:705622
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 22:06:10