基于不同机器学习算法的房地产市场预测问题：案例研究
机器学习
2020-06-19 v1 机器学习
摘要
为社会经济发展和公民福祉，始终需要开发准确的房价预测模型。本文采用一系列多样的机器学习算法，如XGBoost、CatBoost、Random Forest、Lasso、Voting Regressor等，利用公开可用数据集预测房价。从佛罗里达州Volusia县财产评估师网站获取了2015年1月至2019年11月共62,723条房价记录。这些记录公开可用，包含房地产或经济数据库、地图及其他相关信息。根据佛罗里达州法规，该数据库通常每周更新。随后，开发了基于机器学习技术的房价预测模型，并比较了它们的回归模型性能。最后，提出了一种用于辅助房地产市场的改进房价预测模型。具体而言，房产卖方或买方、或房地产经纪人可借助房价预测对决策获得更深入的洞察。实证结果表明，基于预测模型性能、决定系数(Coefficient of Determination, R2)、均方误差(Mean Square Error, MSE)、平均绝对误差(Mean Absolute Error, MAE)和计算时间，XGBoost算法在预测房价方面优于其他模型。
引用
@article{arxiv.2006.10092,
title = {Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study},
author = {Shashi Bhushan Jha and Radu F. Babiceanu and Vijay Pandey and Rajesh Kumar Jha},
journal= {arXiv preprint arXiv:2006.10092},
year = {2020}
}
备注
21 pages, 22 figures, 2 tables