| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Finanšu inženiermatemātika |
| Nosaukums |
Tiešās kapitalizācijas un mašīnmācīšanās metožu pielietojums Rīgas dzīvokļu vērtēšanā |
| Nosaukums angļu valodā |
Application of direct capitalization and machine learning methods in valuation of residential apartments in Riga |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Tālis Laizāns |
| Recenzents |
Irina Voronova |
| Anotācija |
Vairums Latvijas galvaspilsētas Rīgas iedzīvotāju mitinās dzīvokļos, kas ir vai nu iegādāti personīgajā īpašumā, vai tiek nomāti. Iemītniekam vai investoram iegādājoties dzīvokli, ir svarīgi noteikt tā patieso vērtību, lai nepārmaksātu ne par īpašumu, ne tā finansēšanu. Nekustamā īpašuma tirgum attīstoties, arvien mainās atsevišķu faktoru ietekme uz cenu, kā rezultātā patiesās vērtības aplēse var būt ļoti izaicinošs uzdevums.
Darba ietvaros tika izstrādāti modeļi Rīgas dzīvokļu tirgus cenas noteikšanai un prognozēšanai, izmantojot tiešās kapitalizācijas metodi un uz mašīnmācīšanās algoritmiem balstītas metodes. Darba rezultāti secina, ka visprecīzākā dzīvokļu cenas prognozēšanā ir gadījuma meža veidošanas metode, kam seko lēmumu koka veidošanas metode un k-tuvāko kaimiņu metode, savukārt tiešās kapitalizācijas metode nav piemērota liela skaita dzīvokļu vērtēšanas vispārīgā modeļa izstrādei.
Atslēgvārdi: nekustamo īpašumu tirgus, vērtēšana, mašīnmācīšanās metodes, k-tuvākie kaimiņi, lēmumu koks, gadījuma mežs
Darbā ir 103 lappuses, 24 attēli, 9 tabulas, 7 pielikumi un 75 izmantotās informācijas avoti. |
| Atslēgas vārdi |
nekustamo īpašumu tirgus, vērtēšana, mašīnmācīšanās metodes, k-tuvākie kaimiņi, lēmumu koks, gadījuma mežs |
| Atslēgas vārdi angļu valodā |
real estate market, valuation, machine learning methods, k-nearest neighbours, decision trees, random forest |
| Valoda |
lv |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
30.05.2023 11:43:36 |
