Εκτίμηση φόρου ακινήτων με χρήση μηχανικής μάθησης
Loading...
Files
Date
2025-06-02
Authors
Τότολος, Νικόλαος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη του φόρου ακίνητης περιουσίας με τη χρήση μεθόδων μηχανικής μάθησης, ένα ζήτημα κρίσιμο για τη διασφάλιση φορολογικής δικαιοσύνης και διαφάνειας στο φορολογικό σύστημα. Για τον σκοπό αυτό αξιοποιήθηκε το σύνολο δεδομένων Boston Housing, όπου η μεταβλητή-στόχος TAX αντιστοιχεί στον ετήσιο φόρο ακίνητης περιουσίας. Τα δεδομένα υπέστησαν προεπεξεργασία και εφαρμόστηκε επιλογή χαρακτηριστικών βάσει του συντελεστή συσχέτισης Pearson, ώστε να διατηρηθούν μόνο οι σημαντικές μεταβλητές. Αναπτύχθηκαν και αξιολογήθηκαν διάφορα μοντέλα παλινδρόμησης (Γραμμική Παλινδρόμηση, Lasso, Ridge, Random Forest, Gradient Boosting, XGBoost), των οποίων οι υπερπαράμετροι βελτιστοποιήθηκαν με τη χρήση της GridSearchCV. Η απόδοση των μοντέλων μετρήθηκε με δείκτες R², RMSE και MAE, ενώ η σύγκρισή τους έγινε με στατιστικές δοκιμές σημαντικότητας (Friedman, Wilcoxon). Διαπιστώθηκε ότι τα ενισχυμένα δενδρικά μοντέλα Random Forest, XGBoost και Gradient Boosting υπερείχαν σε ακρίβεια πρόβλεψης του φόρου. Επιπλέον, το χαρακτηριστικό RAD εμφάνισε την ισχυρότερη θετική συσχέτιση με τον φόρο, επιβεβαιώνοντας την ιδιαίτερη σημασία του. Παράλληλα, διαπιστώθηκε ότι η κατάλληλη επιλογή χαρακτηριστικών βελτιώνει την απόδοση των μοντέλων. Συμπερασματικά, η μελέτη καταδεικνύει ότι οι τεχνικές μηχανικής μάθησης μπορούν να συμβάλουν καθοριστικά στη βελτίωση της εκτίμησης φόρων, προάγοντας την αποδοτικότητα, τη διαφάνεια και τη δικαιοσύνη του φορολογικού συστήματος.
Description
Keywords
Μηχανική μάθηση, Παλινδρόμηση, Εκτίμηση φόρου ακινήτων, Διασταυρούμενη επικύρωση