全国385,000件の賃貸データで学習したLightGBM + XGBoostアンサンブルモデルの精度を検証した結果です。
| モデル | MAE (万円) | MAPE (%) | R² | 用途 |
|---|
実際の賃料帯ごとの推定誤差。低価格帯ほどMAPEは高くなりやすいが、絶対誤差（MAE）は小さい。
| 賃料帯 | MAE (万円) | MAPE (%) | 件数 | 精度評価 |
|---|
モデルが賃料推定で特に重視する特徴量。LightGBMのgain importanceベース。
LightGBM (75%) + XGBoost (25%) の加重平均アンサンブル。対数変換した賃料を予測し、バイアス補正付きで実額に戻します。
政府統計・公的データを中心に、不動産の価格形成に影響する多角的な情報を統合しています。地価、人口動態、交通利便性、生活利便施設、災害リスクなど複数カテゴリのデータソースを組み合わせ、97の特徴量を構築しています。
9都府県（東京, 神奈川, 大阪, 愛知, 埼玉, 千葉, 福岡, 兵庫, 京都）を都市部、それ以外を地方としてモデルを分割。地域特性に最適化されたパラメータで推定します。
学習データ時点（2026年3月）と推定時点の差を、地価変動率×弾性値（0.5）で補正します。