[论文解读] Machine Learning, Deep Learning, and Hedonic Methods for Real Estate Price Prediction

Mahdieh Yazdani|arXiv (Cornell University)|Oct 14, 2021

Housing Market and Economics参考文献 58被引用 8

一句话总结

本研究比较了博尔德市（科罗拉多州）房地产价格预测中的享乐回归、随机森林（RF）、人工神经网络（ANN）和k近邻（kNN）方法。基于整合了MLS、犯罪率、学校评分和步行便利性数据的多样化数据集，研究发现RF和ANN因能捕捉非线性关系而优于传统享乐模型，其中RF表现出最高的预测准确性（R² > 0.90，RMSE ≈ 105k）。

ABSTRACT

In recent years several complaints about racial discrimination in appraising home values have been accumulating. For several decades, to estimate the sale price of the residential properties, appraisers have been walking through the properties, observing the property, collecting data, and making use of the hedonic pricing models. However, this method bears some costs and by nature is subjective and biased. To minimize human involvement and the biases in the real estate appraisals and boost the accuracy of the real estate market price prediction models, in this research we design data-efficient learning machines capable of learning and extracting the relation or patterns between the inputs (features for the house) and output (value of the houses). We compare the performance of some machine learning and deep learning algorithms, specifically artificial neural networks, random forest, and k nearest neighbor approaches to that of hedonic method on house price prediction in the city of Boulder, Colorado. Even though this study has been done over the houses in the city of Boulder it can be generalized to the housing market in any cities. The results indicate non-linear association between the dwelling features and dwelling prices. In light of these findings, this study demonstrates that random forest and artificial neural networks algorithms can be better alternatives over the hedonic regression analysis for prediction of the house prices in the city of Boulder, Colorado.

研究动机与目标

• 为解决传统房地产估价中存在的主观性与偏见，特别是种族歧视方面的担忧。
• 评估机器学习与深度学习模型是否能够提升传统享乐定价模型的预测准确性。
• 利用可解释与不可解释模型，识别博尔德市房地产市场中最具预测力的住房特征。
• 通过标准指标在未见测试数据上评估RF、ANN与kNN相对于享乐回归的性能。
• 探讨将模型推广至博尔德市以外其他城市住房市场的可行性。

提出的方法

• 从多个来源收集并整合数据：多重上市服务（MLS）、公立学校评分、科罗拉多州犯罪率、CrimeReports、WalkScore及美国人口普查局。
• 对特征进行预处理，包括对数变换的居住面积、分类变量（如区域、街区）以及派生变量（如至中央商务区的驾车时间）。
• 在未见测试数据上训练并评估四种模型：享乐回归、随机森林（RF）、人工神经网络（ANN）和k近邻（kNN）。
• 使用R²、RMSE和MAPE等性能指标比较模型准确性；在RF中应用变量重要性分析与边际效应可视化。
• 在RF中采用自助采样与装袋技术，以增强小样本数据集的鲁棒性并减少过拟合。
• 使用部分依赖图可视化关键特征（如居住面积、至CBD距离、房屋年龄）的非线性边际效应。

实验结果

研究问题

• RQ1 机器学习与深度学习模型是否在科罗拉多州博尔德市的房地产价格预测中优于传统享乐回归？
• RQ2 住房特征（如面积、年龄、位置）与房产价值之间的关系是线性还是非线性的？
• RQ3 在未见测试数据上，哪种模型（RF、ANN、kNN或享乐回归）的预测准确性最高？
• RQ4 在博尔德市，哪些住房特征对预测房产价值最具影响力，其边际效应如何变化？
• RQ5 数据高效型机器学习模型是否能够减少房地产估价中的人为偏见与主观性？

主要发现

• 随机森林（RF）在测试集上实现了最高预测性能，R² > 0.90，RMSE ≈ 105k，MAPE < 10%，优于享乐回归与ANN。
• 享乐模型表现出较低的R²与较高的RMSE，表明其在捕捉住房数据中复杂非线性关系方面能力有限。
• RF模型将对数变换后的居住面积识别为最重要预测变量，其次为至中央商务区（CBD）的驾车时间、区域和房屋年龄。
• 边际效应图揭示了非线性关系：房屋价值随居住面积增加而递减增速，随距CBD距离增加呈非线性下降，且与年龄呈倒U型关系（0–50年为负，老旧房屋为正）。
• 人工神经网络（ANN）同样优于享乐回归，但准确度低于RF，尤其因高基数分类变量存在过拟合风险。
• kNN表现中等，但在高维特征空间中效果不如RF与ANN。