揭示特定位置的价格驱动因素：一种用于可解释房价预测的两阶段聚类分析
机器学习
2025-08-06 v1
摘要
由于局部市场变化，房价估值仍然具有挑战性。现有方法通常依赖于缺乏可解释性的黑盒机器学习模型，或者像线性回归（LR）这样无法捕捉市场异质性的简单方法。为了解决这个问题，我们提出了一种应用两阶段聚类的机器学习方法，首先基于最小的位置特征对房产进行分组，然后再纳入其他特征。然后使用 LR 或广义加性模型（GAM）对每个集群进行建模，在预测性能和可解释性之间取得平衡。在 2023 年的 43,309 条德国房产挂牌数据上构建和评估我们的模型，与没有聚类的模型相比，GAM 的平均绝对误差提高了 36%，LR 提高了 58%。此外，图形分析揭示了集群之间的模式转变。这些发现强调了特定集群见解的重要性，增强了可解释性，并为寻求更可靠房产估值的买家、卖家和房地产分析师提供了实用价值。
引用
@article{arxiv.2508.03156,
title = {Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions},
author = {Paul Gümmer and Julian Rosenberger and Mathias Kraus and Patrick Zschech and Nico Hambauer},
journal= {arXiv preprint arXiv:2508.03156},
year = {2025}
}
备注
Accepted at 20th International Conference on Wirtschaftsinformatik (WI25); September 2025, M\"unster, Germany