国土交通省の公開データ（取引価格・地価・人口・ハザード等）から賃料を推定するLightGBM + XGBoostアンサンブルモデルの精度を検証した結果です。
測定条件について（2026-08-10 更新）
API・MCP・本サイトの推定フォームで実際に得られる精度を、その入力条件のまま実測しました （2026-08-10 測定）。対象はモデルが学習に使わなかった物件のみで、学習テーブルに含まれる 同一物件の重複行も除いています。
精度は渡した入力の量で変わります。下表は「位置入力」×「建物種別」の 4 通りを両モデルについて実測したものです。何も足さない最小条件（市区町村コードのみ・建物種別なし）が 既定で、駅名や建物種別を渡すとその分だけ良くなります。
| 対象 | 位置入力 | 建物種別 | MAPE | ±10%以内 | ±20%以内 | n |
|---|---|---|---|---|---|---|
| 都市部9都府県 | 市区町村コードのみ | なし（既定） | 11.2% | 57% | 85% | 5,371 |
| 都市部9都府県 | 市区町村コードのみ | あり | 11.0% | 57% | 85% | 5,371 |
| 都市部9都府県 | + 駅名（任意入力） | なし | 9.4% | 66% | 90% | 5,371 |
| 都市部9都府県 | + 駅名（任意入力） | あり | 9.3% | 66% | 90% | 5,371 |
| 地方38道県 | 市区町村コードのみ | なし（既定） | 10.9% | 59% | 87% | 5,543 |
| 地方38道県 | 市区町村コードのみ | あり | 10.1% | 62% | 89% | 5,543 |
| 地方38道県 | + 駅名（任意入力） | なし | 10.1% | 62% | 89% | 5,543 |
| 地方38道県 | + 駅名（任意入力） | あり | 9.3% | 65% | 91% | 5,543 |
精度には地域差があります。都市部 9 都府県の中では愛知県が最良（MAPE 約7%）、 福岡県が最悪（約23%）です（いずれも上表の最小条件での実測）。福岡県は学習データが福岡市 7 区のみで、かつ市区町村内の賃料ばらつきが 9 都府県で最大という条件が重なっており、位置入力が市区町村粒度だと情報が最も失われます。
【2026-08-10 訂正】本ページは 2026-08-09 に 「都市部 11.0% / 地方 10.1%」を主表示していました。この値は測定時に建物種別を渡していた 条件のもので、当時の API・MCP・フォームは建物種別を送っていなかったため、 実際の入力条件より有利な数字でした。建物種別を任意入力として正式に受け取れるようにしたうえで、 主表示を最小条件（11.2% / 10.9%）へ訂正し、渡した場合の値を併記しています。 推定値そのものは変わっていません（建物種別を送っていなかった従来の呼び出しは、 引き続き同じ推定値を返します）。
【2026-08-09 訂正】本ページは以前、下記「モデル別精度」の値
（都市部 MAPE 1.6% 等）を掲載していました。これはモデル学習時のホールドアウト条件の
値で、(1) API・MCP・本フォームの入力条件（位置は市区町村コード粒度）での測定ではなく、
(2) 評価集合に同一物件の重複行が含まれていたため、実力を大きく良く見せる値でした。
重複を除いて同じ学習ホールドアウト条件で測り直すと、同じモデルでも MAPE 4.6%（都市部）になります。
API・MCP レスポンスの confidence は上表の実測値と、その測定条件
（accuracy_basis）を返します。下記「モデル別精度」は
学習ホールドアウト条件の履歴値として残しています。
| 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。
municipality_te を推論から除外する前（v5.1 時代）の参考値で、clean 版での再集計は準備中です。
LightGBM + XGBoost の加重平均アンサンブル（重みは検証で最適化）。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、80 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。
ページ冒頭の精度指標は、凍結期の実賃料と比較するため、この時点補正を掛ける前のモデル出力で測定しています。API・MCP が返す推定値は補正を掛けた後の値です（補正率は time_adjustment.rent_adjustment_rate、補正前の値は time_adjustment.base_estimate_yen で確認できます）。レスポンスの confidence.accuracy_basis にも excludes_time_adjustment / time_adjustment_applied_to_estimate として機械可読で入ります。
推論時に参照する特徴量を国土交通省の公開データ（取引価格・地価・人口・ハザード等）のみに限定しています。学習手法の詳細は非開示です。