數(shù)據(jù)驅(qū)動(dòng)下房地產(chǎn)批量評(píng)估方法研究

楊智璇 張繼瑜

摘要：隨著城市面積的快速擴(kuò)張，市中心土地市場(chǎng)供應(yīng)的愈發(fā)緊缺，房地產(chǎn)交易市場(chǎng)已由新房向二手房轉(zhuǎn)變，準(zhǔn)確的房地產(chǎn)評(píng)估對(duì)于指導(dǎo)人們買賣房產(chǎn)，政府稅收，制定經(jīng)濟(jì)發(fā)展戰(zhàn)略都有十分重要的作用。21世紀(jì)計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，人們?cè)诜康禺a(chǎn)評(píng)估的方式上不再局限于傳統(tǒng)的人工評(píng)估方式。在房地產(chǎn)評(píng)估方法研究中，伴隨大數(shù)據(jù)技術(shù)和人工智能的進(jìn)步，利用大數(shù)據(jù)技術(shù)來進(jìn)行房地產(chǎn)評(píng)估逐漸成為了新的研究焦點(diǎn)。采用最新的機(jī)器學(xué)習(xí)算法結(jié)合房地產(chǎn)評(píng)估理論探索數(shù)據(jù)驅(qū)動(dòng)房地產(chǎn)評(píng)估的可行性，經(jīng)過實(shí)證證明相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，采用CatBoost算法進(jìn)行房地產(chǎn)批量評(píng)估準(zhǔn)確率高，具有極高的社會(huì)應(yīng)用價(jià)值。

關(guān)鍵詞：批量評(píng)估;大數(shù)據(jù);機(jī)器學(xué)習(xí);Catboost

中圖分類號(hào)：F293 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-9138-（2022）05-0054-06 收稿日期：2022-04-03

作者簡(jiǎn)介：楊智璇，東北財(cái)經(jīng)大學(xué)投資工程管理學(xué)院碩士生導(dǎo)師。

張繼瑜，東北財(cái)經(jīng)大學(xué)投資工程管理學(xué)院碩士研究生。

基金項(xiàng)目：教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目“高校房地產(chǎn)本科專業(yè)體系改革與建設(shè)研究”（202102133002）;

遼寧省教育廳科學(xué)研究經(jīng)費(fèi)項(xiàng)目“空間信息協(xié)同下的智慧城市治理路徑”（LN2020Q32）。

1 引言

在房屋交易中，二手房因配套較為完善以及價(jià)格更為低廉等優(yōu)勢(shì)，交易中愈發(fā)受到人們的青睞。現(xiàn)實(shí)中房地產(chǎn)轉(zhuǎn)讓、租賃、抵押、稅收、征收、征用、司法拍賣、分家析產(chǎn)、損害賠償、保險(xiǎn)等活動(dòng)對(duì)房地產(chǎn)評(píng)估均有需要。在這種情況下，政府、中介、買賣人對(duì)完善的二手房市場(chǎng)信息和準(zhǔn)確的二手房?jī)r(jià)格需求越來越迫切。

傳統(tǒng)的房地產(chǎn)估價(jià)方法以成本法、市場(chǎng)法、收益法為主，這些方法具有理論成熟，使用簡(jiǎn)單，應(yīng)用案例廣泛的優(yōu)點(diǎn)。創(chuàng)新型的房地產(chǎn)評(píng)估方法如黃臻（2021）基于模糊實(shí)物期權(quán)法在房地產(chǎn)價(jià)格評(píng)估中的應(yīng)用，也取得了較高的評(píng)估準(zhǔn)確性。但上述研究方法適用于單宗評(píng)估，歷史數(shù)據(jù)使用較少，對(duì)于批量評(píng)估工作來說評(píng)估效率低，難以滿足大量業(yè)務(wù)的需求。

2 數(shù)據(jù)驅(qū)動(dòng)房地產(chǎn)估價(jià)的理論框架

2.1 大數(shù)據(jù)驅(qū)動(dòng)房地產(chǎn)估價(jià)的基本理論

大數(shù)據(jù)技術(shù)作為一種抽象的概念，簡(jiǎn)單來說就是對(duì)海量數(shù)據(jù)進(jìn)行信息挖掘和數(shù)據(jù)分析來發(fā)掘數(shù)據(jù)的應(yīng)用價(jià)值。21世紀(jì)大數(shù)據(jù)技術(shù)在硬件的加持下飛速發(fā)展，在短短數(shù)年的時(shí)間里，大數(shù)據(jù)就實(shí)現(xiàn)了從概念到落地的過程，直接帶動(dòng)了全行業(yè)的技術(shù)變革。全球各行各業(yè)產(chǎn)生的數(shù)據(jù)總量已經(jīng)呈現(xiàn)爆炸式增長(zhǎng)，我們正快速經(jīng)歷著數(shù)字轉(zhuǎn)型，如何有效利用海量數(shù)據(jù)為社會(huì)帶來貢獻(xiàn)是大數(shù)據(jù)時(shí)代至關(guān)重要的事情。

大數(shù)據(jù)技術(shù)為各行各業(yè)的發(fā)展提供了新的動(dòng)力和方法。房地產(chǎn)的相關(guān)數(shù)據(jù)形成了一定的規(guī)模并逐漸公開、透明，結(jié)合計(jì)算機(jī)技術(shù)、數(shù)據(jù)庫(kù)技術(shù)的儲(chǔ)存和運(yùn)算能力，建立房地產(chǎn)自動(dòng)評(píng)估模型進(jìn)行房地產(chǎn)評(píng)估也越來越可行，利用自動(dòng)評(píng)估模型可以實(shí)現(xiàn)房地產(chǎn)價(jià)格的更快速評(píng)估且評(píng)估的準(zhǔn)確率更高。

劉辰翔等（2020）回溯了AVM的起源，并與傳統(tǒng)評(píng)估模式進(jìn)行對(duì)比分析，展現(xiàn)了房地產(chǎn)自動(dòng)估價(jià)模型在中國(guó)廣闊的應(yīng)用前景。沈宏亮等（2021）得出研究結(jié)論，新冠疫情后房地產(chǎn)估價(jià)行業(yè)將會(huì)受到“互聯(lián)網(wǎng)+大數(shù)據(jù)”前所未有的沖擊。評(píng)估企業(yè)應(yīng)主動(dòng)出擊，做好數(shù)字轉(zhuǎn)型，迎接大數(shù)據(jù)時(shí)代的到來。

2.2 房地產(chǎn)大數(shù)據(jù)概述

傳統(tǒng)的房地產(chǎn)評(píng)估方法存在較強(qiáng)的主觀性，難以科學(xué)準(zhǔn)確地揭示房地產(chǎn)市場(chǎng)的真實(shí)價(jià)值情況。大數(shù)據(jù)技術(shù)有利于改進(jìn)傳統(tǒng)理論和方法的不足，通過合理篩選和利用已成交房屋的交易數(shù)據(jù)，結(jié)合估價(jià)房地產(chǎn)所在區(qū)位特征，通過批量評(píng)估的方式，科學(xué)評(píng)估房地產(chǎn)在評(píng)估價(jià)值時(shí)點(diǎn)的價(jià)值。通過大數(shù)據(jù)技術(shù)與經(jīng)典房地產(chǎn)估價(jià)理論和方法的融合，實(shí)現(xiàn)精準(zhǔn)估價(jià)的目的。

尹延鈞等（2021）對(duì)大數(shù)據(jù)挖掘中常用的分類算法進(jìn)行分析，當(dāng)前在大數(shù)據(jù)分析和數(shù)據(jù)挖掘階段經(jīng)典的分類算法主要有決策樹、樸素貝葉斯、支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)分類算法等。關(guān)于大數(shù)據(jù)房地產(chǎn)估價(jià)技術(shù)，國(guó)內(nèi)開展較晚，最新研究方法主要采用數(shù)學(xué)模型、回歸分析、模糊數(shù)學(xué)、灰色預(yù)測(cè)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等梳理統(tǒng)計(jì)分析方法。究其原理，是將房地產(chǎn)屬性因素進(jìn)行量化，定量分析房地產(chǎn)價(jià)格的影響因素，并以此為依據(jù)進(jìn)行房地產(chǎn)價(jià)格評(píng)估，這些方法的關(guān)鍵是依賴數(shù)據(jù)屬性信息量化。由于受到行業(yè)數(shù)據(jù)的限制，難以應(yīng)用和推廣。

最早的批量評(píng)估研究始于Carbone和Longini（1977）基于多元線性回歸方程建立AVMs（Automated Valuation Models）自動(dòng)評(píng)估模型，進(jìn)行房地產(chǎn)批量評(píng)估。近三年的研究主要集中于隨機(jī)森林模式和Catboost等新興算法研究，例如，李宇琪（2018）選用基于決策樹的隨機(jī)森林模型，對(duì)獲取的房?jī)r(jià)數(shù)據(jù)進(jìn)行清洗、歸一等預(yù)處理，從信息增益等角度出發(fā)尋找影響房?jī)r(jià)的主要因素，從而訓(xùn)練獲得了較為準(zhǔn)確的房地產(chǎn)評(píng)估結(jié)果。CatBoost算法出現(xiàn)時(shí)間較晚，在各應(yīng)用領(lǐng)域的研究還不夠廣泛。

在文獻(xiàn)整理中發(fā)現(xiàn)，多數(shù)研究集中在運(yùn)用機(jī)器學(xué)習(xí)算法模型進(jìn)行房地產(chǎn)批量評(píng)估的研究，但是，對(duì)于眾多機(jī)器學(xué)習(xí)算法，哪類或者哪種方法更加精準(zhǔn)卻鮮有研究。本文的研究將對(duì)比多元線性回歸模型、隨機(jī)森林模型和Catboost模型，通過實(shí)證檢驗(yàn)方法揭示模型的精準(zhǔn)性。

3 模型構(gòu)建

3.1 數(shù)據(jù)驅(qū)動(dòng)房地產(chǎn)批量評(píng)估模型構(gòu)建

房地產(chǎn)批量評(píng)估是基于以往發(fā)生交易的價(jià)格數(shù)據(jù)，對(duì)尚未發(fā)生交易的房地產(chǎn)價(jià)格進(jìn)行合理預(yù)測(cè)。在構(gòu)建數(shù)據(jù)驅(qū)動(dòng)房地產(chǎn)批量評(píng)估模型中，需要注重?cái)?shù)據(jù)類型、數(shù)據(jù)集、數(shù)據(jù)擬合度和準(zhǔn)確性等，此類因素將決定估算結(jié)果正確性（見圖1）。

通常情形下，大數(shù)據(jù)建模應(yīng)遵循以下步驟：一是房地產(chǎn)交易信息搜集和屬性信息數(shù)據(jù)化，二是構(gòu)建房地產(chǎn)批量評(píng)估模型，三是計(jì)算評(píng)估結(jié)果。

3.1.1 多元線性回歸建模

唐文廣等（2019）對(duì)多元線性回歸模型在房地產(chǎn)評(píng)估中的應(yīng)用展開研究，多元線性回歸分析是指兩個(gè)或兩個(gè)以上的自變量的回歸分析。

多元線性回歸的優(yōu)點(diǎn)：

（1）建模速度快，不需要很復(fù)雜的計(jì)算，在數(shù)據(jù)量大的情況下依然運(yùn)行速度很快。

（2）與一元線性回歸相比，更加接近現(xiàn)實(shí)，增強(qiáng)對(duì)因變量分析估計(jì)的貼合性。

多元線性回歸進(jìn)行房地產(chǎn)估價(jià)方法較簡(jiǎn)單，效率較快。但現(xiàn)實(shí)生活中房地產(chǎn)價(jià)格的影響因素較為復(fù)雜，各因素對(duì)房?jī)r(jià)的影響不盡相同，只簡(jiǎn)單進(jìn)行回歸評(píng)估其結(jié)果缺乏可靠性。

3.1.2 隨機(jī)森林建模

隨機(jī)森林是基于Bagging算法中的自助抽樣技術(shù)將分類樹進(jìn)行組合，提出的一種使用靈活且精確度較高的機(jī)器學(xué)習(xí)算法。在實(shí)踐應(yīng)用中，隨機(jī)森林算既可以應(yīng)用于解決分類問題也可以應(yīng)用于解決預(yù)測(cè)問題，隨著研究深入，其在醫(yī)學(xué)、管理學(xué)、經(jīng)濟(jì)學(xué)等眾多領(lǐng)域應(yīng)用均有優(yōu)異的表現(xiàn)。

隨機(jī)森林算法對(duì)多元線性不敏感，對(duì)缺失數(shù)據(jù)和非平衡的數(shù)據(jù)比較不敏感，同時(shí)還克服了決策樹分類器產(chǎn)生過擬合現(xiàn)象，在特征維度較高解釋變量多達(dá)幾千條的時(shí)候，也能得到非常好的預(yù)測(cè)結(jié)果，因此被稱為最好的機(jī)器學(xué)習(xí)算法之一。

隨機(jī)森林有很多優(yōu)點(diǎn)：

（1）相比于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，其在處理數(shù)據(jù)量較復(fù)雜時(shí)，也可以有較高的精準(zhǔn)度。

（2）隨機(jī)森林可以處理大量的變量問題，一個(gè)x類的名義變量可以用x-1分叉樹來記錄，并且可以隨機(jī)選擇部分?jǐn)?shù)據(jù)來分類。

（3）其可以在決定類別時(shí)，通過編程調(diào)用來評(píng)估變量在分類中的重要性。

（4）在建造森林時(shí)，隨機(jī)選擇決策樹節(jié)點(diǎn)劃分特征，這樣在樣本特征特度較高時(shí)，仍然能較高效率的訓(xùn)練模型。

（5）隨機(jī)森林建模速度快，對(duì)部分?jǐn)?shù)據(jù)缺失不敏感。

隨機(jī)森林算法相比于線性回歸算法更加復(fù)雜，對(duì)影響因素的考察更為全面，是現(xiàn)今大數(shù)據(jù)估價(jià)研究中研究較深的一種算法。曾雙（2021）研究表明采用隨機(jī)森林模型評(píng)估相比于傳統(tǒng)的房地產(chǎn)評(píng)估方法，預(yù)測(cè)精度更高，具有較大的適用性。

3.1.3 CatBoost建模

2017年，俄羅斯搜索巨頭Yandex首次公布了CatBoost算法，CatBoost算法是在GBDT算法框架下進(jìn)行改進(jìn)的，其相對(duì)于改進(jìn)前的算法在準(zhǔn)確率方面有了很大的提升，實(shí)際應(yīng)用中表現(xiàn)也更加優(yōu)秀。由于該算法目前較新，在各個(gè)領(lǐng)域的研究擴(kuò)展深度尚淺，尚待探索。

CatBoost算法基于對(duì)稱決策樹為基礎(chǔ)學(xué)習(xí)器，使用簡(jiǎn)單，調(diào)節(jié)參數(shù)較少，準(zhǔn)確率極高。有別于其他的機(jī)器學(xué)習(xí)算法，CatBoost算法最大的特點(diǎn)是可以高效處理類別型特征。除此之外，它還對(duì)GBDT框架的機(jī)器學(xué)習(xí)算法進(jìn)行了優(yōu)化，解決了機(jī)器學(xué)習(xí)中常見的梯度偏差和預(yù)測(cè)偏移問題，大大降低了模型過度擬合的發(fā)生，提高了算法的泛化能力。

CatBoost主要有三大創(chuàng)新之處：

（1）程序中嵌入了自動(dòng)類別型特征數(shù)值化處理，不需要進(jìn)行數(shù)據(jù)的預(yù)處理工作。

（2） CatBoost算法還利用了特征間的聯(lián)系進(jìn)行組合，豐富了數(shù)據(jù)之間的組合類型和維度。

（3）采用排序提升的方法對(duì)抗訓(xùn)練集中的噪聲點(diǎn)，從而避免梯度估計(jì)的偏差，進(jìn)而解決預(yù)測(cè)偏移的問題。

近來CatBoost算法在各個(gè)行業(yè)領(lǐng)域均展開了研究，且取得了不錯(cuò)的應(yīng)用結(jié)果。但其在房地產(chǎn)評(píng)估領(lǐng)域的研究尚未展開，本次研究采用CatBoost算法訓(xùn)練出評(píng)估模型進(jìn)行估價(jià)并與前兩種算法進(jìn)行準(zhǔn)確率對(duì)比，探索該算法在房地產(chǎn)估價(jià)領(lǐng)域的應(yīng)用價(jià)值。

4 實(shí)證檢驗(yàn)

4.1 數(shù)據(jù)選取和預(yù)處理

4.1.1 樣本選擇

本研究以大連市 2021年10月二手房網(wǎng)站公布的二手房掛牌信息為研究對(duì)象，通過Python爬蟲技術(shù)來獲取非典型的100個(gè)小區(qū)近6000條房屋掛牌信息為數(shù)據(jù)基礎(chǔ)進(jìn)行實(shí)證分析。由于網(wǎng)上公布的房屋屬性數(shù)據(jù)種類繁多，因此在數(shù)據(jù)分析前要明確建模需要獲得的房屋屬性信息。

房?jī)r(jià)的影響因素主要可從個(gè)體因素、鄰里環(huán)境、區(qū)位因素三個(gè)方面進(jìn)行選擇，在公開房屋價(jià)格屬性的基礎(chǔ)上，選取了房屋交易過程中，價(jià)格影響較大的屬性作為目標(biāo)屬性。這些屬性的選取符合房地產(chǎn)評(píng)估的原理，包含的屬性有單價(jià)、房齡、臥室、客廳、衛(wèi)生間、樓層、總層數(shù)、面積、類型、建筑類型、朝向、裝修、梯戶比、電梯、用途、綠化、容積率、物業(yè)費(fèi)、區(qū)域共計(jì)20條屬性信息。

4.1.2 數(shù)據(jù)預(yù)處理

由于獲取的數(shù)據(jù)是從網(wǎng)頁(yè)中抓取的，數(shù)據(jù)的分布和房屋的屬性信息并沒有完全公布，存在數(shù)據(jù)缺失和數(shù)據(jù)異常情況，因此在訓(xùn)練前要進(jìn)行數(shù)據(jù)的預(yù)處理。數(shù)據(jù)的預(yù)處理內(nèi)容主要包括補(bǔ)充缺失值、修正異常值和量綱一致處理等。

常用的數(shù)據(jù)缺失和異常處理的方法有刪除法、替換法、插值法。而對(duì)于數(shù)據(jù)量綱不一致問題常用的處理辦法有零均值標(biāo)準(zhǔn)化、最小最大規(guī)范法、對(duì)數(shù)變換法等。數(shù)據(jù)分析時(shí)應(yīng)根據(jù)數(shù)據(jù)的特征來靈活選擇合適的數(shù)據(jù)處理方法。

用計(jì)算機(jī)統(tǒng)計(jì)預(yù)處理后的數(shù)據(jù)，被評(píng)估房屋共計(jì)5208例，其中，自變量屬性20條，因變量屬性1條。接下來將80%的數(shù)據(jù)即有4166例房屋數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)集，剩余20%比例即有1042例房屋數(shù)據(jù)作為模型的測(cè)試數(shù)據(jù)集來驗(yàn)證模型的評(píng)估效果。

數(shù)據(jù)集劃分完成后，將訓(xùn)練數(shù)據(jù)集帶入算法中推出評(píng)估模型，再將測(cè)試數(shù)據(jù)集中的數(shù)據(jù)帶入評(píng)估模型中輸出預(yù)測(cè)結(jié)果，對(duì)預(yù)測(cè)結(jié)果進(jìn)行指標(biāo)分析（見圖2）。

4.2 結(jié)果分析

4.2.1 回歸模型評(píng)價(jià)指標(biāo)分析

本研究使用多元線性回歸、隨機(jī)森林回歸、CatBoost回歸這三個(gè)算法進(jìn)行建模預(yù)測(cè)，需要對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較，來衡量三種方法評(píng)估結(jié)果的好壞，主要從模型的準(zhǔn)確率和預(yù)測(cè)效果兩部分來考慮。對(duì)于本研究房地產(chǎn)評(píng)估的問題屬于機(jī)器學(xué)習(xí)中回歸型問題，衡量模型的預(yù)測(cè)能力，主要是從兩方面考察，首先考察三種模型的擬合度，即模型評(píng)估的準(zhǔn)確率，其次通過對(duì)比測(cè)試集的測(cè)試指標(biāo)，即平均絕對(duì)誤差（Mean Absolute Error， MAE）、均方誤差（Mean Squared Error，MSE）、均方根誤差（Root Mean Squared Error，RMSE）來比較三種回歸方法的優(yōu)劣（見表1）。

通過回歸評(píng)價(jià)指標(biāo)對(duì)比表可以看出，在二手房?jī)r(jià)格評(píng)估結(jié)果中，隨機(jī)森林回歸模型在各項(xiàng)評(píng)價(jià)指標(biāo)中均優(yōu)于多元線性回歸模型，這說明相比于傳統(tǒng)的多元線性回歸模型，隨機(jī)森林模型具有較強(qiáng)的評(píng)估優(yōu)勢(shì)，能夠很好地解決非線性問題。其可以在回歸擬合時(shí)表現(xiàn)良好，也可以在外展預(yù)測(cè)時(shí)確保較好的擴(kuò)展能力。

同時(shí)也可以看出在二手房?jī)r(jià)格評(píng)估中CatBoost回歸模型在各項(xiàng)指標(biāo)表現(xiàn)上大幅優(yōu)于多元線性回歸模型和隨機(jī)森林模型，這說明CatBoost回歸模型具有更優(yōu)的非線性擬合的優(yōu)勢(shì)，能夠更好地解決房屋價(jià)格評(píng)估問題。其不光可以在回歸擬合時(shí)使得模型表現(xiàn)更佳，并且在外展預(yù)測(cè)時(shí)可以確保較好的擴(kuò)展能力，獲得更優(yōu)的二手房評(píng)估準(zhǔn)確率。但同時(shí)在構(gòu)建模型的過程中，CatBoost算法建模的工作量要明顯低于隨機(jī)森林模型。

4.2.2 回歸模型評(píng)價(jià)指標(biāo)分析

將預(yù)測(cè)集的房地產(chǎn)進(jìn)行評(píng)估，通過運(yùn)行程序，輸出評(píng)估房?jī)r(jià)和真實(shí)掛牌房?jī)r(jià)的擬合圖。

通過對(duì)比三種模型擬合優(yōu)度圖形，可以明顯的看出，CatBoost模型評(píng)估預(yù)測(cè)值與真實(shí)值貼合度更高，具有更高的評(píng)估準(zhǔn)確性（見圖3、圖4、圖5）。

5 結(jié)論

通過對(duì)回歸模型的預(yù)測(cè)精度、平均絕對(duì)誤差、方誤差、均方根誤差等的比較，可以確定CatBoost回歸模型相比其他的機(jī)器學(xué)習(xí)方法，評(píng)估效果更加優(yōu)良。在CatBoost回歸模型中，其預(yù)測(cè)精度達(dá)到了99%，是其他機(jī)器學(xué)習(xí)方法難以企及的，是當(dāng)前研究中最優(yōu)的以數(shù)據(jù)驅(qū)動(dòng)的房地產(chǎn)批量評(píng)估方法。

參考文獻(xiàn)：

1.黃臻.基于模糊實(shí)物期權(quán)法在房地產(chǎn)價(jià)格評(píng)估的研究——以天津市為例.中國(guó)資產(chǎn)評(píng)估.2021.10

2.劉辰翔 王卓 胡永強(qiáng).大數(shù)據(jù)時(shí)代：從傳統(tǒng)評(píng)估到自動(dòng)估價(jià)系統(tǒng).中國(guó)資產(chǎn)評(píng)估.2020.04

3.李宇琪.基于隨機(jī)森林的房?jī)r(jià)預(yù)測(cè)模型.通訊世界.2018.09

4.苗豐順 李巖 高岑.基于CatBoost算法的糖尿病預(yù)測(cè)方法.計(jì)算機(jī)系統(tǒng)與應(yīng)用.2019.28 （9）

5.沈宏亮 徐志革.后疫情時(shí)代房地產(chǎn)評(píng)估行業(yè)發(fā)展的應(yīng)對(duì)策略探討——基于波特五力模型的分析.中國(guó)資產(chǎn)評(píng)估.2021.10

6.唐文廣 王夢(mèng)茹.多元線性回歸模型在房地產(chǎn)評(píng)估中的應(yīng)用.科技和產(chǎn)業(yè).2019.19 （06）

7.尹廷鈞 李靈慧 周蕊.大數(shù)據(jù)挖掘中的數(shù)據(jù)分類算法綜述.數(shù)字技術(shù)與應(yīng)用.2021.39 （01）

8.曾雙.隨機(jī)森林模型在房地產(chǎn)評(píng)估中的適用性分析.中國(guó)管理信息化. 2021.24 （19）

9.Carbone R，Longini R L.A Feedback Model for Automated Real Estate Assessment.Management Science.1977.24 （3）

10.Guomin Huang，Lifeng Wu，Xin Ma，et al.Evaluation of CatBoost method for prediction of reference evapotranspiration in humid regions.Journal of Hydrology.2019