모델 카드: 검증 수치·배포 변수 문장 빼기

696b472 verified 1 day ago

2.39 kB

---
license: cc-by-nc-4.0
tags:
  - floorplan
  - segmentation
  - real-estate
  - quantile-regression
---
# chatatda-models

[어디서사냥 ai-server](https://github.com/where-HYU-living/ai-server)가 빌드 때 받는 모델 파일 모음.
`scripts/fetch_models.sh` 가 이 저장소에서 내려받는다.

| 파일 | 내용 | 출처·라이선스 |
|---|---|---|
| `model_best_val_loss_var.pkl` | 평면도 분할 모델 가중치 (방 12종·아이콘 11종) | CubiCasa5K 원본 가중치를 그대로 옮김. **CC BY-NC 4.0 (비상업)** |
| `rent/model.joblib` | 적정 월세 분위 회귀 (25·50·75%) | 직접 학습. 학습 데이터: 국토교통부 전월세 실거래가 (공공데이터포털) |
| `rent/metrics.json` | 검증 결과·학습 설정 (시간 순 분할, 단순 동 중앙값 방식과 비교) | |
| `rent/listings_compare.json` | 데모 매물 20개: 단순 중앙값 · 외부 AI · 이 모델 비교 | |

## 적정 월세 모델 (`rent/`)
- **무엇을 예측하나**: ㎡당 환산 월세(월세 + 보증금 × 4.6% ÷ 12)의 25·50·75% 분위. × 면적 = 적정 환산 월세(관리비 제외). 서비스는 여기에 기준 관리비 7.1만을 더해 보여 준다.
- **모델**: scikit-learn 1.7.2 `HistGradientBoostingRegressor(loss="quantile")` 3개.
  최종 설정 `learning_rate=0.1, max_iter=200, min_samples_leaf=50, max_leaf_nodes=63`.
  **불러올 때 scikit-learn 1.7.2 를 써야 한다.**
- **피처**: 동, 면적, 층, 건물 연식(계약 연도 − 준공 연도), 계약 시점, 건물유형(오피스텔·연립다세대·단독다가구), 신규/갱신,
  동 중심 기준 한양대 사자상 거리 · 가장 가까운 지하철역 거리(카카오 로컬) · 500m 안 버스 정류장 수(서울 열린데이터광장, 자료 범위 밖 동은 결측)
- **학습 데이터**: 서울 성동구·동대문구 전월세 실거래 2025-11 ~ 2026-10, 27,718건 → 월세·면적 5~60㎡ 20,376건 → ㎡당 환산 월세 상·하위 1% 제외 19,968건.

## 출처 (CubiCasa5K)
- 코드·가중치: https://github.com/CubiCasa/CubiCasa5k
- 논문: Kalervo, A., Ylioinas, J., Häikiö, M., Karhu, A., & Kannala, J. (2019).
  *CubiCasa5K: A Dataset and an Improved Multi-Task Model for Floorplan Image Analysis.* SCIA 2019.
- 라이선스: Creative Commons Attribution-NonCommercial 4.0 International. 상업적 이용 불가.

	---
	license: cc-by-nc-4.0
	tags:
	- floorplan
	- segmentation
	- real-estate
	- quantile-regression
	---

	# chatatda-models

	[어디서사냥 ai-server](https://github.com/where-HYU-living/ai-server)가 빌드 때 받는 모델 파일 모음.
	`scripts/fetch_models.sh` 가 이 저장소에서 내려받는다.

	\| 파일 \| 내용 \| 출처·라이선스 \|
	\|---\|---\|---\|
	\| `model_best_val_loss_var.pkl` \| 평면도 분할 모델 가중치 (방 12종·아이콘 11종) \| CubiCasa5K 원본 가중치를 그대로 옮김. CC BY-NC 4.0 (비상업) \|
	\| `rent/model.joblib` \| 적정 월세 분위 회귀 (25·50·75%) \| 직접 학습. 학습 데이터: 국토교통부 전월세 실거래가 (공공데이터포털) \|
	\| `rent/metrics.json` \| 검증 결과·학습 설정 (시간 순 분할, 단순 동 중앙값 방식과 비교) \| \|
	\| `rent/listings_compare.json` \| 데모 매물 20개: 단순 중앙값 · 외부 AI · 이 모델 비교 \| \|

	## 적정 월세 모델 (`rent/`)
	- 무엇을 예측하나: ㎡당 환산 월세(월세 + 보증금 × 4.6% ÷ 12)의 25·50·75% 분위. × 면적 = 적정 환산 월세(관리비 제외). 서비스는 여기에 기준 관리비 7.1만을 더해 보여 준다.
	- 모델: scikit-learn 1.7.2 `HistGradientBoostingRegressor(loss="quantile")` 3개.
	최종 설정 `learning_rate=0.1, max_iter=200, min_samples_leaf=50, max_leaf_nodes=63`.
	불러올 때 scikit-learn 1.7.2 를 써야 한다.
	- 피처: 동, 면적, 층, 건물 연식(계약 연도 − 준공 연도), 계약 시점, 건물유형(오피스텔·연립다세대·단독다가구), 신규/갱신,
	동 중심 기준 한양대 사자상 거리 · 가장 가까운 지하철역 거리(카카오 로컬) · 500m 안 버스 정류장 수(서울 열린데이터광장, 자료 범위 밖 동은 결측)
	- 학습 데이터: 서울 성동구·동대문구 전월세 실거래 2025-11 ~ 2026-10, 27,718건 → 월세·면적 5~60㎡ 20,376건 → ㎡당 환산 월세 상·하위 1% 제외 19,968건.

	## 출처 (CubiCasa5K)
	- 코드·가중치: https://github.com/CubiCasa/CubiCasa5k
	- 논문: Kalervo, A., Ylioinas, J., Häikiö, M., Karhu, A., & Kannala, J. (2019).
	CubiCasa5K: A Dataset and an Improved Multi-Task Model for Floorplan Image Analysis. SCIA 2019.
	- 라이선스: Creative Commons Attribution-NonCommercial 4.0 International. 상업적 이용 불가.