تدخل داكار، العاصمة السنغالية، في منطقة غير موثقة جيداً لسوق الإيجارات، حيث تشير الإحصائيات إلى أن حوالي 54.4% من الأسر تعتمد على الإيجار، متفوقة على المعدل الوطني الذي يبلغ 23.3%. في هذا الإطار، قامت دراسة جديدة بتطوير سلسلة متكاملة من تقنيات تعلم الآلة (Machine Learning) للتنبؤ بأسعار الإيجارات السكنية في المدينة.

بدأت الدراسة بتجميع بيانات شاملة من خلال تقنيات جمع البيانات الآلية (Web Scraping) والتي أدت إلى إنشاء مجموعة بيانات أصلية تضم 1,507 إعلاناً للإيجار. بالإضافة إلى ذلك، تم تطوير أربعة ميزات مخصصة تضمنت نقاط رفاهية وعوامل جودة مستندة إلى كلمات مفتاحية.

تم اختبار خمسة نماذج تحليلية، بما في ذلك الانحدار الخطي وRandom Forest كمرجع، وXGBoost وLightGBM، والتي تم تحسينها من خلال أساليب البايس (Bayesian Optimization) باستخدام Optuna. تم استخدام ترميز الأهداف (Target Encoding) الخالي من التسريبات، مما أسفر عن أداء مُحسن لنموذج XGBoost الذي أظهر قيمة $R^2$ قدرها 0.847، ومتوسط خطأ مطلق (MAE) بلغ 210,902 فرنك أفريقي، وRMSE بلغ 324,195 فرنك أفريقي.

قامت الدراسة أيضاً بتقييم أهمية الميزات باستخدام قيم XGBoost الأصلية وقيم SHAP، مما كشف عن اختلافات ملحوظة في تصنيف الموقع. حيث اتضح أن الموقع يعتبر ميزة ثانوية في التحليلات التقليدية ولكنه كان العامل الثاني الأكثر تأثيراً عند استخدام تقنيات SHAP.

أظهرت هذه النتائج أهمية المنهجيات المستخدمة، وتقدم هذه الدراسة معايير تفسيرية جديدة لسوق الإيجارات في داكار، مشيرةً إلى عدة نواحي لتحسين الأداء، بما في ذلك دمج الميزات الجغرافية وتقديرات مطابقة الأداء (Conformal Prediction).

ما رأيكم في استخدام الذكاء الاصطناعي لتحسين التوقعات في أسواق الإيجارات؟ شاركونا في التعليقات!