.png){kind=icon}
返回
Large-scale modeling for housing condition prediction using machine learning algorithms
.png){kind=icon}
OA
AI
DOI：10.1038/s41597-026-07012-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管住房价格预测已被广泛研究，但由于数据限制，大规模住房状况的预测仍处于探索不足的阶段。本文通过开发机器学习模型以预测全美住房状况，填补了这一空白。我们整合了Warren Group的物业级数据、美国人口普查局美国社区调查的邻里特征数据，并训练了三种梯度提升算法：CatBoost、LightGBM和XGBoost。尽管XGBoost的平衡准确率略高，但CatBoost因其更强的抗过拟合能力被选为最佳模型。最终模型的预测结果被汇总至普查区、ZIP代码统计区域以及36.13 km²分辨率的六边形网格，以进行全国范围的时空分析。由此产生的综合数据集可作为宝贵资源，供研究人员和从业者分析住房质量的空间分布，并应用于城市规划、灾害管理、社区韧性、公共卫生等领域。
Keyword:
Research data
Social sciences
Science
Humanities and Social Sciences
multidisciplinary
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。
