Využití velkých jazykových modelů pro predikci cen nemovitostí

Název práce: Využití velkých jazykových modelů pro predikci cen nemovitostí
Autor(ka) práce: Furtová, Natálie
Typ práce: Bakalářská práce
Vedoucí práce: Zeman, Václav
Oponenti práce: Moreová, Barbara
Jazyk práce: Česky
Abstrakt:
Tato bakalářská práce se zabývá využitím velkých jazykových modelů (Large Language Models, LLM) pro predikci nabídkových cen bytů na pražském realitním trhu. Práce přímo navazuje na výzkum Jindráčka (2025), jehož hybridní model kombinující konvoluční síť ResNet-50 s XGBoostem dosáhl R² = 0,904 a MAE = 1 390 304 Kč. Analýza jeho postupu však identifikovala train test leakage způsobující umělé nadhodnocení přesnosti výsledků. Pro účely práce byl vytvořen vlastní dataset čítající 3 140 inzerátů bytů na prodej v Praze, scrapovaných z portálu Reality.iDNES.cz v dubnu 2026. Tento soubor zahrnoval strukturovaná tabulková data, textové popisy i fotografickou dokumentaci. Metodika definuje čtyři experimentální přístupy využívající velké jazykové modely: (A) přímý zero-shot odhad ceny, (B) odhad s podporou mechanismu RAG (Retrieval-Augmented Generation) s využitím vektorové databáze ChromaDB, (C) integrace sémantických rysů extrahovaných LLM do modelů strojového učení a (D) odhad na základě tabulkových dat a textového popisu inzerátu bez fotografií. Přístupy A, B a D byly provedeny oběma modely Claude Haiku 4.5 (Anthropic) a Qwen 3.5-35B-A3B (Alibaba). Přístup C byl z důvodu vysoké časové náročnosti realizován pouze s modelem Claude Haiku 4.5. Celkem bylo vyhodnoceno 16 modelových variant. Nejvyššího koeficientu determinace R2 = 0,805 nabyl hybridní model kombinující stacking s extrahovanými rysy z fotografií nemovitosti (přístup C), přínos těchto rysů však nebyl statisticky průkazný. Klíčovým zjištěním je, že Claude Haiku 4.5 s mechanismem RAG dosahuje R² = 0,735 bez jakéhokoli tréninku a statisticky se neliší od žádného testovaného ML modelu ve schopnosti vysvětlovat cenovou variabilitu a nasazení RAG tak prokazatelně zvyšuje stabilitu predikcí. Práce rovněž potvrzuje, že multimodální LLM představují perspektivní nástroj pro realitní praxi zejména díky schopnosti srozumitelně zdůvodnit odhad ceny a interpretovat vizuální standard nemovitosti, neboť modely klasického strojového učení tuto vlastnost postrádají.
Klíčová slova: ML; RAG; predikce cen nemovitostí; LLM
Název práce: Use of Large Language Models to predict prices of Real Estate
Autor(ka) práce: Furtová, Natálie
Typ práce: Bachelor thesis
Vedoucí práce: Zeman, Václav
Oponenti práce: Moreová, Barbara
Jazyk práce: Česky
Abstrakt:
This bachelor thesis explores the use of Large Language Models (LLMs) to predict listing prices for apartments on the Prague real estate market. The work directly follows the research of Jindráček (2025), whose hybrid model—combining a ResNet-50 convolutional neural network with XGBoost—achieved an R² = 0.904 and MAE = 1 390 304 CZK. However, an analysis of his methodology identified train-test leakage, causing an artificial overestimation of the results' accuracy. For the purposes of this thesis, a custom dataset of 3,140 apartment listings for sale in Prague was created, scraped from the Reality.iDNES.cz portal in April 2026. For the purposes of this thesis, an original dataset was created consisting of 3,140 real estate listings for apartments for sale in Prague, scraped from the portal Reality.iDNES.cz in April 2026. This dataset included structured tabular data, text descriptions, and photographic documentation. The methodology defines four approaches: (A) direct zero-shot price estimation, (B) estimation supported by the Retrieval-Augmented Generation (RAG) mechanism using the ChromaDB vector database, (C) integration of LLM-extracted semantic features into machine learning models, and (D) estimation based on tabular data and textual descriptions without photographs. Approaches A, B, and D were conducted using both Claude Haiku 4.5 (Anthropic) and Qwen 3.5-35B-A3B (Alibaba) models. Due to high time intensity, approach C was implemented only with the Claude Haiku 4.5 model. A total of 16 model variants were evaluated. The highest coefficient of determination (R2) was achieved by a hybrid model combining stacking with features extracted from property photographs (Approach C); however, the contribution of these features was not statistically significant. A key finding is that Claude Haiku 4.5 with the RAG mechanism achieves R² = 0.735 without any training and does not statistically differ from any tested ML model in its ability to explain price variability; thus, the deployment of RAG demonstrably increases prediction stability. The thesis also confirms that multimodal LLMs represent a promising tool for real estate practice, particularly due to their ability to provide clear justifications for price estimates and interpret the visual standard of a property—qualities that traditional machine learning models lack.
Klíčová slova: LLM; ML; real estate price prediction; RAG

Informace o studiu

Studijní program / obor: Aplikovaná informatika
Typ studijního programu: Bakalářský studijní program
Přidělovaná hodnost: Bc.
Instituce přidělující hodnost: Vysoká škola ekonomická v Praze
Fakulta: Fakulta informatiky a statistiky
Katedra: Katedra informačního a znalostního inženýrství

Informace o odevzdání a obhajobě

Datum zadání práce: 17. 12. 2025
Datum podání práce: 11. 5. 2026
Datum obhajoby: 17. 6. 2026
Identifikátor v systému InSIS: https://insis.vse.cz/zp/94979/podrobnosti

Soubory ke stažení

    Poslední aktualizace: