ПЕРЕДБАЧЕННЯ ЦІНИ АВТОМОБІЛЯ МЕТОДАМИ МАШИННОГО НАВЧАННЯ
CAR PRICE PREDICTION USING ML METHODS
Сторінки: 83-86. Номер: №3, 2023 (321) 
Автори:
ПАВЛІЧКО Владислав
Національний університет “Львівська політехніка”
ORCID ID: 0000-0001-9596-5240
e-mail: vladyslav.pavlichko@gmail.com
МЕЛЬНИКОВА Наталія
Національний університет “Львівська політехніка”
ORCID ID: 0000-0002-2114-3436
e-mail: melnykovanatalia@gmail.com
PAVLICHKO VLADYSLAV T., MELNYKOVA NATALIIA I.
Lviv Polytechnic National University
DOI: https://www.doi.org/10.31891/2307-5732-2023-321-3-83-86
Анотація мовою оригіналу
Розвиток сучасного машинобудування є наслідком швидкого зростання економіки в багатьох розвинутих країнах. Станом на сьогоднішній день, інтеграцію автомобілів у повсякденне життя складно заперечити. Логістика, громадський транспорт, особистий транспорт, сервіси доставки, таксопарки, оренда авто тощо. Відповідно, маючи таку гнучкість використання, з’являється і попит на дану продукцію. В свою чергу, виробники прагнуть отримати найбільшу кількість покупців, що призводить до утворення конкуренції на ринку. Як результат час, який витрачається на підбір бажаного авто, є суттєвим, і сам процес вивчення ринку і характеристик всіх авто не є доцільним для користувачів. Тому це дослідження буде спрямовано на спрощення цього процесу, шляхом використання методів машинного навчання, що дасть змогу швидше зорієнтуватись у цінах на ринку і швидше обирати бажане авто.
В роботі наведено результати досліджень методів машинного навчання щодо передбачення ціни автомобіля, попередньої обробки тренувальних даних; запропоновано власну реалізацію, яка базується на комбінуванні декількох моделей машинного навчання. За основу для досліджень були взяті дерева рішень і випадковий ліс, обговорено загальну концепцію їхньої роботи, переваги і недоліки, алгоритм їхньої побудови. Метою цієї статті є порівняльна характеристика застосованих моделей. Окремі моделі можуть прогнозувати результати з високою точністю: дерева рішень – 90% точність і випадковий ліс – 95%. Однак точність являється не єдиною метрикою оцінки ефективності роботи моделей. Впливовість MAE, RMSE є невід’ємними метриками для оптимальної роботи моделей. Згідно з результатами досліджень, значення обидвох метрик кращі у випадкового лісу, що доказує ефективність даного рішення. Однак результати можна покращити, використовуючи комбінований підхід. Стаття якраз і надаватиме відповідь на питання ефективності застосування комбінованих підходів.
Ключові слова: передбачення ціни автомобіля, машинне навчання, попередня обробка, машинобудування.
Розширена анотація англійською мовою
The development of car manufacturing industry is consequence of fast-growing economics in developed countries. It is hard to deny the fact of strong integration of cars in all spheres of human life nowadays. Logistics, public transport, personal usage, delivery services, taxi depots, cars for rent, etc. Demand increases due to its flexibility of usage, manufacturers strive to increase amount of customers, which creates competition on the market. As a result, the amount of time spent on investigation of market and key features of each car is dramatically huge. That is why the aim of this research is to simplify process of observation of cars, their features and prices, using machine learning techniques, which will allow to choose desirable cars in shorter time.
Article offers researches of applying machine learning methods for car price prediction, train data preprocessing, suggesting own approach based on combination of several machine learning models. Decision trees and random forest models were chosen as basic methods for this research, general concepts and construction algorithms are discussed, highlighted pros and cons each of them. The main purpose of article is the comparison of proposed methods. Distinct models are capable to predict results quite preciously – 90% accuracy for decision trees and 95% for random forest. But R² (accuracy) is not the only metrics used in model’s effectiveness evaluation. RMSE and MAE have crucial influence on optimal work of the model. Relying on the results of this research, random forest gives better RMSE and MAE values comparing to decision trees, which proves the effectiveness of such approach. However, results might improve with usage of combined approach. The question about effectiveness of such approach will be answered during this research.
Keywords: car price prediction, machine learning, pre-processing, mechanical engineering,
