声明
致谢
1 引言
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 传统的房地产估价方法
1.2.2 机器学习在二手房估价的应用
1.2.3 LightGBM算法的应用
1.2.4 文献评述
1.3 研究内容
1.4 研究方法与技术路线
1.5 创新点
2 二手房估价的相关理论与技术基础
2.1 特征价格理论
2.1.1 特征价格理论概述
2.1.2 特征价格理论应用于二手房估价研究
2.2 网络爬虫技术
2.2.1 网络爬虫技术概述
2.2.2 网络爬虫工作流程
2.3 特征工程
2.3.1 数据预处理
2.3.2 特征选择
2.4 集成学习算法
2.4.1 Bagging算法
2.4.2 Boosting算法
2.5 本章小结
3 北京市二手房估价的特征选择
3.1 数据采集
3.1.1 数据来源
3.1.2 网络爬虫
3.2 数据预处理
3.2.1 数据清洗
3.2.2 数据转换
3.3 基于包装法的北京市二手房的特征选择
3.3.1 候选特征集
3.3.2 基于包装法的特征选择
3.3.3 最优特征集
3.4 本章小结
4 基于LightGBM算法的北京市二手房估价模型
4.1 基于LightGBM算法的估价模型
4.1.1 直方图算法
4.1.2 直方图算法的改进
4.1.3 带深度限制的Leaf-wise的叶子生长策略
4.2 基于改进LightGBM算法的估价模型
4.2.1 网格搜索算法
4.2.2 LightGBM算法的超参数
4.2.3 基于网格搜索算法的模型改进
4.3 对比估价模型
4.3.1 线性回归模型
4.3.2 BP神经网络模型
4.3.3 随机森林模型
4.3.4 XGBoost 模型
4.4 本章小结
5 北京市二手房估价模型实验结果分析
5.1 模型评估与验证
5.1.1 评估指标
5.1.2 交叉验证
5.2 北京市二手房估价模型结果分析
5.2.1 LightGBM估价模型结果分析
5.2.2 改进的LightGBM估价模型结果分析
5.2.3 对比估价模型结果分析
5.3 北京市二手房估价模型对比分析
5.4 本章小结
6 总结与展望
6.1 研究结论
6.2 研究展望
参考文献
附录 A
附录 B
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;