基于集成学习的房价预测模型

摘要：

随着国民生活水平的提高,人们对房产的需求不断增加,对房价的关注度也持续变高.房价作为多指标影响因子,受到很多条件的影响[2-4][11].现有房价预测模型多属于单一预测算法,预测精度不理想,当数据噪声较大时又容易出现过拟合现象.针对这些问题,提出基于集成学习的房价预测模型.选用预测效果较好的Extra Trees,Random Forest,GBDT,XGB算法作为基础预测模型,分别训练并对四种基础模型进行stacking[1][5]集成,最终得到集成学习的房价预测模型.在加州房价数据集上试验表明,本方法相比于单一预测模型能够有效提高预测的准确率及稳定性,证实了本模型的有效性.

关键词：集成学习、房价预测、极度随机树、随机森林、GBDT、XGB、Stacking

所属期刊栏目：13

分类号：TP391(计算技术、计算机技术)

在线出版日期：2017-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：191-194