基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

作者：顾桐; 许国良^*; 李万林; 李家浩; 王志愿; 雒江涛

来源：计算机应用, 2020, 40(09): 2762-2767.

• 多源数据
• 特征选择
• 轻量级梯度提升机
• 集成学习
• 贝叶斯优化
• 房价智能评估

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。

• 单位
  通信与信息工程学院; 重庆邮电大学