基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

发布时间：2020-10-21 02:05

　　 针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题,提出一种基于多源数据和集成学习的智能评估方法。首先,从多源数据中构造特征集,并利用Pearson相关系数与序列前向选择法提取最优特征子集;然后,基于构造的特征,以Bagging集成策略作为结合方法集成多个轻量级梯度提升机(LightGBM),并利用贝叶斯优化算法对模型进行优化;最后,将该方法应用于房价评估问题,实现房价的智能评估。在真实的房价数据集上进行的实验表明,相较于支持向量机(SVM)、随机森林等传统模型,引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%,并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域,得到的评估结果更准确。
【部分图文】：

本文借鉴随机森林的思想，提出一种基于贝叶斯优化的集成Light GBM模型。首先通过Bagging方法集成多个Light GBM，再结合贝叶斯优化算法优化模型，最后通过加权平均的方式获得最终输出。其实现方式如图1所示。针对多个基学习器的集成问题，本文采用softmax函数为基学习器赋权，通过加权平均获得最终结果。

本次实验选取均方误差作为评价标准，均方误差越小，算法准确率越高。由表4可得，共有50种参数组合。若随着参数组合变动，均方误差一直处于上下波动状态，则认为模型对参数敏感；若均方误差在某个参数组合之后趋于平稳，则认为模型对参数不敏感。测试结果如图2所示。经过50种参数组合模型依然无法达到最优，由此证实，参数的优劣极大地影响了模型性能。

其中：E表示百分误差；pi表示实际的房价；pi表示输出的房价。将本文构建的集成模型与子模型进行可信度分析。定义如下：输出结果与实际房价的百分误差在10%以内，具有较高的可信度；输出结果与实际房价的百分误差在10%～20%，可信度中等；输出结果与实际房价的百分误差在20%以上，可信度较低。分析结果如图4所示。
【参考文献】

相关期刊论文 前1条

1 方匡南;吴见彬;朱建平;谢邦昌;;随机森林方法研究综述[J];统计与信息论坛;2011年03期

相关硕士学位论文 前3条

1 王昕睿;基于机器学习的房产智能自动评估模型的研究与系统实现[D];北京邮电大学;2019年

2 刘燕云;基于兰州市二手房价评估模型研究[D];兰州大学;2019年

3 王海泉;武汉市二手房价格评估研究[D];华中师范大学;2018年

【共引文献】

相关期刊论文 前10条

1 萨莎;李晶;李晓东;李永瑞;刘晓鸣;付宇;王德峰;张惠茅;;基于CT图像及临床资料的随机森林模型对结直肠癌术前T分期的诊断价值[J];中华放射学杂志;2017年12期

2 汪洋;陈上仲;胡才宝;陈昌勤;严静;蔡国龙;;基于随机森林法的严重脓毒症/脓毒性休克预后评估模型对患者28 d死亡的预测价值[J];中华危重病急救医学;2017年12期

3 杨超;李海霞;;基于随机森林的城市快速路交通事件持续时间估计[J];交通信息与安全;2015年06期

4 李辉;冯东梅;马寒;;路堑开挖爆破对民房危害的随机森林预测模型[J];辽宁工程技术大学学报(自然科学版);2015年12期

5 汪颖;李享云;;蛋白质-RNA相互作用预测中的几类分类器[J];渤海大学学报(自然科学版);2015年04期

6 朱志洁;张宏伟;陈蓥;;基于PCA-RF的回采巷道围岩稳定性预测[J];水文地质工程地质;2015年06期

7 王璟睿;沈文娟;李卫正;李明诗;郑光;;基于RapidEye的人工林生物量遥感反演模型性能对比[J];西北林学院学报;2015年06期

8 李文辉;陈江生;;黄土丘陵区生态迁移农户不同生计模式与收入水平关系比较研究——基于陕北各县400户迁移农户的随机调查[J];统计与信息论坛;2015年11期

9 石玉立;宋蕾;;1998-2012年青藏高原TRMM 3B43降水数据的校准[J];干旱区地理;2015年05期

10 吴孝情;陈晓宏;唐亦汉;王兆礼;赖成光;;珠江流域非平稳性降雨极值时空变化特征及其成因[J];水利学报;2015年09期

相关硕士学位论文 前4条

1 浦绍彬;税费政策的实施和税收征管对昆明市个人二手房交易的影响研究[D];云南财经大学;2020年

2 曾婷婷;基于机器学习的房价预测模型研究[D];西南科技大学;2020年

3 陈潇腾;杭州市二手住宅价格评估模型研究[D];浙江工业大学;2020年

4 司玺同;基于机器学习模型的郑州二手房价格评估[D];华中师范大学;2019年

【二级参考文献】

相关期刊论文 前3条

1 方匡南;朱建平;谢邦昌;;基于随机森林方法的基金收益率方向预测与交易策略研究[J];经济经纬;2010年02期

2 刘微;罗林开;王华珍;;基于随机森林的基金重仓股预测[J];福州大学学报(自然科学版);2008年S1期

3 林成德;彭国兰;;随机森林在企业信用评估指标体系确定中的应用[J];厦门大学学报(自然科学版);2007年02期

相关硕士学位论文 前10条

1 王芳;中文重复记录清洗的相关算法的研究[D];青岛大学;2018年

2 聂明谏;基于BP神经网络的房地产价值评估研究[D];华北电力大学(北京);2017年

3 张妍;基于BP神经网络的房地产税基评估研究[D];河北大学;2016年

4 宋祖杰;基于支持向量回归的二手房批量评估模型应用研究[D];重庆大学;2016年

5 王开祥;相似重复记录的数据清洗技术的研究[D];沈阳理工大学;2016年

6 陈奕佳;基于随机森林理论的北京市二手房估价模型研究[D];北京交通大学;2015年

7 郭玉雷;BP神经网络在房地产税基批量评估中的应用[D];北京交通大学;2015年

8 郑佳;基于HEDONIC的商品住宅批量评估研究[D];哈尔滨工业大学;2014年

9 杨英杰;基于开源技术的WebGIS系统构建与应用[D];西安电子科技大学;2014年

10 余培;基于成本法的房地产评估案例研究[D];西南财经大学;2014年

【相似文献】

相关期刊论文 前10条

1 袁红春;王丹;陈冠奇;张天蛟;吴若有;;基于LightGBM模型的鱼类异常行为检测[J];渔业现代化;2020年01期

2 李强;徐捷;;贝叶斯网在数据挖掘中的应用[J];中国科技信息;2012年13期

3 马文龙;瞿有甜;张金伟;;贝叶斯网络在适应性教学系统中的应用研究[J];计算机系统应用;2008年01期

4 马爱利;张卓奎;;贝叶斯网络在远程教学中的应用[J];现代电子技术;2008年02期

5 李飞;;贝叶斯网络在数据挖掘中的应用[J];科技信息(学术研究);2006年06期

6 张剑飞;;数据挖掘中的贝叶斯网络构建与应用[J];高师理科学刊;2006年03期

7 王辉;用于预测的贝叶斯网络[J];东北师大学报(自然科学版);2002年01期

8 段宏英;姜威;于帅;;基于分治策略的贝叶斯网学习方法及在图像分割中的应用[J];网络空间安全;2016年05期

9 赵英;雷强;;基于贝叶斯本体映射方法的数字资源整合[J];情报杂志;2008年02期

10 周清;林拉;王红;杨红飞;;基于贝叶斯网络的学生模型在测试系统的应用研究[J];计算机工程与科学;2008年03期

相关博士学位论文 前9条

1 董立岩;贝叶斯网络应用基础研究[D];吉林大学;2007年

2 江敏;贝叶斯优化算法的若干问题研究及应用[D];上海大学;2012年

3 高磊;基于贝叶斯框架的群目标跟踪[D];上海交通大学;2019年

4 关菁华;基于贝叶斯网数据挖掘若干问题研究[D];吉林大学;2009年

5 黄禹潇;面向复杂诊断贝叶斯网实时推理问题的离线、在线算法的研究[D];吉林大学;2012年

6 徐建民;基于术语关系的贝叶斯网络信息检索模型扩展研究[D];天津大学;2007年

7 程环环;基于贝叶斯网络的图像内容表述与分类[D];国防科学技术大学;2011年

8 马冯;数据密集型计算环境下贝叶斯网的学习、推理及应用[D];云南大学;2013年

9 冯国忠;文本分类中的贝叶斯特征选择[D];东北师范大学;2011年

相关硕士学位论文 前10条

1 孙悦;基于LightGBM的中文文本分类研究[D];苏州大学;2019年

2 张鸣天;基于贝叶斯网络的信息安全风险评估研究[D];北京化工大学;2016年

3 唐思思;基于离散动态贝叶斯网络的信息安全风险评估方法的研究[D];东北大学;2013年

4 周旋;基于贝叶斯网络的作战效能评估与分析方法研究[D];国防科学技术大学;2008年

5 马爱利;贝叶斯网络在远程教学系统中的应用研究[D];西安电子科技大学;2008年

6 于合龙;贝叶斯网在农业智能系统中的应用研究[D];吉林大学;2005年

7 林冰垠;基于双向贝叶斯网络的架空输电线路运行评估系统的研究与实现[D];华南理工大学;2015年

8 王斌;支持不确定性推理的上下文模型构建和基于贝叶斯网络的推理[D];西安电子科技大学;2009年

9 濮永仙;贝叶斯网在农业专家系统中的应用研究[D];云南大学;2010年

10 张艳芳;贝叶斯网络在手写数字识别中的应用与研究[D];华北电力大学;2011年

本文编号：2849476