计算机应用

作者：顾桐, 许国良, 李万林, 李家浩, 王志愿, 雒江涛

单位：1. 重庆邮电大学 通信与信息工程学院, 重庆 400065;2. 重庆邮电大学 电子信息与网络工程研究院, 重庆 400065

关键词：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

基金：教育部-中国移动科研基金资助项目（MCM20170203）；重庆市自然科学基金资助项目（cstc2018jcyjAX0587）；重庆市技术创新与应用示范（产业类重点研发）项目（cstc2018jszx-cyzdX0124）。

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。

来源：2020年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第9期