【摘要】：隨著我國社會(huì)經(jīng)濟(jì)的迅速發(fā)展壯大,房地產(chǎn)行業(yè)也逐漸雄起,但城市可供開發(fā)的土地越來越少.于是二手房逐漸進(jìn)入人們視線,對(duì)二手房信息的需求量變大.因此,能夠快速準(zhǔn)確評(píng)估二手房房價(jià),對(duì)房地產(chǎn)開發(fā)商和夠房者起到積極作用.本文以甘肅省蘭州市5個(gè)主城區(qū)的普通住宅二手房為研究對(duì)象,首先選取區(qū)域、建筑和鄰里三大因素,共21個(gè)特征變量夠建指標(biāo)體系;其次相對(duì)調(diào)查問卷形式獲取的數(shù)據(jù),本文采用Python 2爬取安居客和房天下等網(wǎng)站二手房信息,和WebGIS技術(shù)獲取小區(qū)周邊設(shè)施等數(shù)據(jù)信息更加具有準(zhǔn)確性;然后夠建單一評(píng)估模型,如隨機(jī)森林、SVR、Boosting等,分別對(duì)房價(jià)進(jìn)行評(píng)估預(yù)測(cè),結(jié)果表明隨機(jī)森林預(yù)測(cè)誤差較低,但發(fā)現(xiàn)評(píng)估模型不具有一致性.因此采用組合模型集成學(xué)習(xí)Stacking算法,使每個(gè)樣本的預(yù)測(cè)值達(dá)到最佳.最終預(yù)測(cè)結(jié)果中標(biāo)準(zhǔn)化均方誤差NMSE值為0.107,相比隨機(jī)森林降低了27.07%,說明Stacking算法不但降低了預(yù)測(cè)誤差,還具有很好的泛化性能;最后根據(jù)房價(jià)將二手房離散化為高檔、中檔和低擋,結(jié)合隨機(jī)森林和OWA算子對(duì)變量重要性進(jìn)行綜合性度量,分析不同檔位二手房的重要影響變量,并給購房者和建房者提供一些建設(shè)性意見.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F299.233.32
【圖文】：

圖１－１研究思路框架圖逡逑１．５論文主要?jiǎng)?chuàng)新點(diǎn)逡逑

笱絀妒墾絎宦畚某pj趵賈菔卸鋺址考燮攔濫Ｐ脫芯浚]3?與Ｂａｇｇｉｎｇ類似，Ｂｏｏｓｔｉｎｇ也采用Ｂｏｏｔｓｔｒａｐ隨機(jī)采樣方法抽取訓(xùn)練l#弁將多個(gè)逡逑弱學(xué)習(xí)器融合為強(qiáng)學(xué)習(xí)器，如圖２－２所示：逡逑訓(xùn)邋Ｈ＇］—ｎ邐邐逡逑邐？練邐？［弱學(xué)習(xí)器１邐—預(yù)測(cè)ｒ綜合逡逑ｘｏ邋ｙ0邐轉(zhuǎn)化一１邐邐邋＾邐預(yù)測(cè)逡逑＊１邋Ｉ邐結(jié)果逡逑Ｉ邋０邋ｖ邋１逡逑邐＾邐預(yù)測(cè)邋Ｉ邐｜逡逑邐邋邐Ｘ１邋ｙ１邐＾丨丨練邐＞［弱學(xué)習(xí)器２邐￣ｊ—丨強(qiáng)學(xué)＞？逡逑Ｉ邋卜，逡逑Ｘｍ邋ｙｍ邐弱學(xué)習(xí)器邐翻ｎ逡逑測(cè)試集邐邐逡逑圖２－２邐Ｂｏｏｓｔｉｎｇ，原

本文編號(hào)：2719459