Ứng dụng các mô hình LM, PCR, và RF để dự báo giá nhà trên địa bàn Thành phố Hà Nội
Xuất bản: tháng 7 28, 2026
Tóm tắt
Nghiên cứu nhằm so sánh hiệu quả của 3 mô hình dự đoán giá nhà khác nhau: Mô hình hồi quy tuyến tính, PCR (Hồi quy thành phần chính), và Random Forest. Bằng cách sử dụng dữ liệu về bất động sản tại Hà Nội, nghiên cứu này đặt ra mục tiêu đánh giá khả năng dự đoán của từng mô hình dựa trên các biến độc lập như diện tích, số tầng, số phòng ngủ và các yếu tố khác. Kết luận của nghiên cứu nhấn mạnh vào sự quan trọng của lựa chọn mô hình phù hợp cho từng bộ dữ liệu cụ thể để đảm bảo tính chính xác và độ tin cậy trong dự đoán giá nhà hỗ trợ cho những người có nhu cầu tìm nhà trên địa bàn TP. Hà Nội trong giai đoạn này.
Từ khóa
mô hìnhdự báogiá cảnhà đấtTP. Hà Nộibất động sản
Tài liệu tham khảo
1.
Hong Ru Chan (2024). Rent Price Prediction with Advanced Machine Learning Methods: A Comparison of California and Texas. Highlights in Science, Engineering and Technology, 85.
2.
Jengei Hong, Heey-oul Choi, Woo-sung Kim (2020). A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, 24(3).
3.
Le Anh Duc (2022). Predicting Hanoi, Vietnam housing price using Artificial Neural Network (ANN) and Random Forest (RF) models for Regression. Predicting Hanoi housing price (ANN & RF) (kaggle.com).
4.
Rosen S. (1974). Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition. Journal of Political Economy, 82, 34-55.
5.
Lancaster K. J. (1966). A New Approach to Consumer Theory. Journal of Political Economy, 74, 132-157.
6.
Griliches Z. (1971). Price Indexes and Quality Change. Harvard University Press, Cambridge.
