机器学习方法解决房地产市场预测问题：案例研究

房屋售价由交易参与者的经济利益形成，包括政府、房地产经销商以及买卖房产的公众。生成准确的房产价格预测模型是房地产市场的一大挑战。本工作利用2010年1月至2019年11月的十年实际数据集开发了房产价格分类模型。该房地产数据集公开可用，取自佛罗里达州Volusia县房产评估师网站。此外，收集了国内生产总值、消费者价格指数、生产者价格指数、房价指数和有效联邦基金利率等社会经济因素并用于预测模型。为解决此案例研究问题，采用了若干强大的机器学习算法，即Logistic回归、随机森林、投票分类器和XGBoost，并将其与目标编码相结合以开发准确的房产售价预测模型，旨在预测成交售价高于或低于挂牌售价。为评估模型性能，确定了模型的准确率、精确率、召回率、分类F1分数和错误率。在所研究的四种机器学习算法中，XGBoost相较其他模型给出了更优的结果和鲁棒性。所开发的模型可帮助房地产投资者、抵押贷款机构和金融机构做出更明智的决策。