.png){kind=icon}
返回
Explainable spatial machine learning for hedonic real estate modeling
.png){kind=icon}
OA
AI
DOI：10.1111/1540-6229.70030.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确模拟租金和价格是房地产分析中的关键挑战。传统线性模型可能无法捕捉复杂的非线性关系，而现有机器学习方法往往忽视空间依赖性。本文介绍了一种新颖的混合统计机器学习模型用于模拟房地产租金和价格。所提出的方法结合了空间高斯过程与树提升算法。通过这种方式，空间相关性被明确纳入考量，而树提升部分能够处理复杂的非线性关系和交互作用。我们使用包含德国超过150万套租赁公寓清单的大型数据集以及一个较小的公寓价格清单数据集，将所提出的模型与既定基准进行比较。研究发现，由于同时考虑了非线性模式和空间依赖性，所提出的模型产生了更优的预测精度。我们进一步采用机器学习可解释性技术，以更好地理解租金与预测变量之间的非线性关系，并详细分析了区位特征对租金的影响。
Keyword:
Gaussian processes
rental price predictions
spatial dependencies
tree-boosting
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
R
IF:
2
论文数:
41
被引数:
0
机构
引用论文
分享收藏Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables随机森林作为空间和时空变量预测建模的通用框架.png)
PeerJOAAI
PeerJIF0
OAAI分享收藏
分享收藏Interpretable Machine Learning for the German residential rental market – shedding light into model mechanicsAestimum
AestimumIF0
PREAI
分享收藏
查看更多内容