머신 러닝 방법을 이용한 오피스 임대료 산정 -랜덤 포레스트, 인공 신경망, 서포트 벡터 머신 활용을 중심으로-

Abstract

본 연구는 최근 자동 평가 모형과 관련한 연구에서 보편적으로 활용되고 있는 랜덤 포레스트, 인공 신경망, 서 포트 벡터 머신을 사용하여 오피스 임대료 산정 모형을 구축하고 이들의 적용 가능성을 검토하였다. 이를 위해 서울시에 소재한 507동 오피스의 임대 조사 자료를 활용하여 각 방법별 최적 모형을 구축하고 이들의 성능을 비교하였고, 가장 좋은 성능을 보인 모형으로부터 PD plot을 도출하였다. 표본 전체를 대상으로 하여 임대료 산정모형을 구축한 결과, 모형별 성능의 순위는 서포트 벡터 머신 모형, 인공 신경망 모형, 랜덤 포레스트 모형 순으로 나타났고, 서포트 벡터 머신 모형으로부터 PD plot을 도출하여 해당 모형이 공실률이 높을수록, 전용률이 높을수록, 연면적이 클수록, 층수가 높을수록, 연식이 낮을수록, 승강기수가 많을수록 임대료를 높게 산출하는 것을 확인하였다. 주차대수는 모형의 예측값과 2차 곡선의 형태를 보이는 것으로 나타났다. 추가적으로 표본을 초대형, 대형, 중대형, 중형 등급으로 나누어 각 규모 등급별 임대료 산정 모형을 각각 구축하고 이들의 PD plot을 도출하였다. 본 연구는 다양한 머신 러닝 방법을 사용하여 오피스 임대료 산정 모형을 구축하고자 하였다는 점, PD plot을 통해 모형의 학습 결과에 대한 해석을 시도하였다는 점, 규모 등급별 임대료 산정 모형을 각각 구축하여 그 결과를 제시함으로써 규모 등급별 분석의 필요성을 입증하였다는 점에서 의의를 갖는다.

We estimate office market rent using random forests, artificial neural networks, and support vector machines, which are commonly used in recent studies related to automatic evaluation models. We examine each method and compare the performances based on our sample data of the 507 offices located in Seoul, and depict PD(Partial Dependence) Plots to identify the influence of variables on predicted values. Using random forests, artificial neural networks, and support vector machines method, we estimate office market rent determinant model based on 507 office rental information data in Seoul. We attempt to identify the best performed model and also adopt the Partial Dependence(PD) Plots to examine the relative impact of research variables on predicted value. We classify the sample data into Class A, Class B, Class C, and the below Class C group. We apply the same method for each of those group. In general, we find that the support vector machines model performs best followed by random forests model and artificial neural networks model. The results indicate that the rent has a positive relation with rentable/usable ratio, floor, building age, and number of elevator. The number of parking vehicles showed the quadratic curve on rent in the model. Our study contributes to compare and allows appraisers to have a cross validation process with traditional valuation model against the finding from a machine learning method on office market.