張志鋒 崔亞?wèn)| 崔霄

摘要：為了更精確快速的預(yù)測(cè)二手房房?jī)r(jià)，將對(duì)最近抓取的南京二手房數(shù)據(jù)集進(jìn)行數(shù)據(jù)樣本分析。通過(guò)對(duì)樣本的基本信息和屬性的可視化分析，對(duì)數(shù)據(jù)集進(jìn)行異常識(shí)別填補(bǔ)、啞編碼、數(shù)據(jù)標(biāo)準(zhǔn)化等數(shù)據(jù)預(yù)處理工作;提出將使用XGBoost算法對(duì)南京二手房數(shù)據(jù)集進(jìn)行訓(xùn)練建模;結(jié)合線(xiàn)性回歸，嶺回歸和lasso回歸，對(duì)訓(xùn)練結(jié)果進(jìn)行比較，XGBoost模型應(yīng)用效果比較好，在預(yù)測(cè)房?jī)r(jià)上具有一定的實(shí)用性。

關(guān)鍵詞：XGBoost;嶺回歸;lasso回歸;二手房

中圖分類(lèi)號(hào)：F832.4;TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）11-0178-03

0 引言

房地產(chǎn)市場(chǎng)的發(fā)展快速，尤其是最近幾年，多數(shù)家庭都會(huì)選擇購(gòu)買(mǎi)房屋。由于購(gòu)房為消費(fèi)者的剛性需求，而二手房的性?xún)r(jià)比較高，所以在市場(chǎng)上的交易量也較大，二手房房?jī)r(jià)的精準(zhǔn)快速預(yù)測(cè)有著重要意義。

XGBoost是陳天奇在arixv上發(fā)布的一篇關(guān)于XGBoost的論文，而根據(jù)kaggle競(jìng)賽在2015年的統(tǒng)計(jì)，29只冠軍隊(duì)中，有17只使用了XGBoost算法，其中有8只隊(duì)伍僅使用了XGBoost一種算法。XGBoost的基分類(lèi)器為CART回歸樹(shù)，建了高可擴(kuò)展的端到端的boosting系統(tǒng)，提出了具有合理理論支撐的分布分位調(diào)整框架;介紹了并行使用稀疏處理樹(shù)的學(xué)習(xí)算法;提出了基于緩存塊的結(jié)構(gòu)便于外存樹(shù)的學(xué)習(xí)。

1 數(shù)據(jù)集分析

在對(duì)進(jìn)本信息進(jìn)行可視化[1]之前，可以先通過(guò)pandas庫(kù)中的數(shù)據(jù)描述函數(shù)對(duì)數(shù)據(jù)有個(gè)整體的認(rèn)知。還可以通過(guò)對(duì)數(shù)據(jù)進(jìn)行詞云化整理，通過(guò)二手房信息中經(jīng)常出現(xiàn)的高頻詞，確定需要可視化的特征屬性，從而不需要對(duì)所有的特征進(jìn)行可視化。

對(duì)數(shù)據(jù)進(jìn)行總體可視化，分析數(shù)據(jù)規(guī)律。

（1）通過(guò)圖1比較中文數(shù)據(jù)詞云[2]和特征值，對(duì)比特征出現(xiàn)頻率和特征間對(duì)應(yīng)關(guān)系，并且決定接下來(lái)如何對(duì)數(shù)據(jù)進(jìn)行異常值處理[3]等。（2）通過(guò)圖2二手房數(shù)量條形圖比較二手房分布信息。（3）通過(guò)圖3建筑面積直方圖分析房屋在不同面積分布區(qū)域的數(shù)量信息。（4）通過(guò)圖4房屋戶(hù)型條形圖分析不同類(lèi)型房屋所占比例，便于后續(xù)的選擇戶(hù)型進(jìn)行啞編碼處理。（5）通過(guò)圖5二手房總價(jià)與建筑面積分布散點(diǎn)圖分析異常值，對(duì)異常值進(jìn)行處理。

2 南京二手房房?jī)r(jià)預(yù)測(cè)模型

2.1 XGBoost模型原理分析

給出n個(gè)實(shí)例，m維特征的情況下，D={（xi，yi）}（|D|=n， xi∈m，yi∈），回歸樹(shù)的繼承模型（多個(gè)模型相加的過(guò)程）使用k個(gè)相加函數(shù)預(yù)測(cè)結(jié)果。

為了避免出現(xiàn)過(guò)擬合的現(xiàn)象，需要給模型增加正則項(xiàng)來(lái)修正模型。一種標(biāo)準(zhǔn)的正則化目標(biāo)項(xiàng)為損失函數(shù)與正則項(xiàng)組合。這里主要使用L2正則。

根據(jù)boosting算法思想，回歸樹(shù)的集成模型不能再傳統(tǒng)的歐幾里得空間中得到合適的解，而應(yīng)該通過(guò)迭代求近似解[4]。

2.2 數(shù)據(jù)預(yù)處理

在對(duì)二手房數(shù)據(jù)集建模時(shí)，首先需要對(duì)數(shù)據(jù)集進(jìn)行清理，將數(shù)據(jù)集中一些缺失值和異常數(shù)據(jù)剔除掉，保證數(shù)據(jù)的準(zhǔn)確性;查看數(shù)據(jù)集會(huì)發(fā)現(xiàn)，數(shù)據(jù)集中會(huì)有一些特征項(xiàng)需要進(jìn)行啞編碼操作，將對(duì)象類(lèi)型（Object）的數(shù)據(jù)轉(zhuǎn)化為模型可以識(shí)別的語(yǔ)言，比如在本數(shù)據(jù)集中需要處理的對(duì)象類(lèi)型特征包括二手房所在區(qū)域，戶(hù)型，樓層等信息，還有一些例如建筑面積等特征需要轉(zhuǎn)換為單精度類(lèi)型（float）等。

2.3 超參數(shù)優(yōu)化

XGBoost算法十分的精致，可以處理各種不規(guī)則的數(shù)據(jù)，而使用XGBoost構(gòu)造模型過(guò)程中，提高模型的表現(xiàn)并不是那么容易，而對(duì)于提高模型表現(xiàn)來(lái)說(shuō)，參數(shù)的調(diào)整十分必要。本文中，主要通過(guò)網(wǎng)格交叉驗(yàn)證的方式，來(lái)對(duì)參數(shù)進(jìn)行調(diào)整，主要調(diào)整的參數(shù)有l(wèi)earning_rate，max_depth，n_estimators。每個(gè)參數(shù)給出一定范圍的值，共進(jìn)行192次的篩選，最終得到了最佳參數(shù)：Best： 0.796658 using {‘learning_rate：0.1，‘max_depth：6，‘n_estimators：200}。

2.4 特征選擇

關(guān)于特征選擇有很多算法可以運(yùn)用。這里使用基于模型的特征排序算法，對(duì)于此次建模來(lái)說(shuō)，也是比較高效的一種，在模型建立過(guò)程中對(duì)特征進(jìn)行篩選排序，在不影響預(yù)測(cè)準(zhǔn)確度的情況下，抽取最少的特征出來(lái)。這里共抽取了36維的特征，即保證了預(yù)測(cè)準(zhǔn)確度，又最大限度的減少了訓(xùn)練模型時(shí)間。

2.5 模型訓(xùn)練

這里按照訓(xùn)練集與測(cè)試集8：2的比例對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)抽樣，通過(guò)超參數(shù)優(yōu)化以及特征選擇之后，在訓(xùn)練集上對(duì)模型進(jìn)行訓(xùn)練，最后得到模型的訓(xùn)練R2（R-Square）為：0.796558。

模型訓(xùn)練結(jié)果可以看出，對(duì)模型在訓(xùn)練集上的表現(xiàn)還不錯(cuò)，例如在相對(duì)正常的數(shù)據(jù)集里預(yù)測(cè)效果很好，在一些異常值上，并沒(méi)有完美的重合，可以看出模型并沒(méi)有過(guò)擬合，有相當(dāng)穩(wěn)定的魯棒性。

2.6 評(píng)價(jià)指標(biāo)

本文是通過(guò)XGBoost算法在南京二手房數(shù)據(jù)集訓(xùn)練模型，主要是為了準(zhǔn)確預(yù)測(cè)二手房房屋總價(jià)，所以評(píng)價(jià)標(biāo)準(zhǔn)即為預(yù)測(cè)的準(zhǔn)確度。本模型的評(píng)價(jià)指標(biāo)為在測(cè)試集中計(jì)算模型的R2，以最終的分?jǐn)?shù)作為該模型的評(píng)價(jià)指標(biāo)。計(jì)算公式如下：

R2=1-

3 不同算法實(shí)例比較

本文對(duì)南京二手房數(shù)據(jù)集使用了線(xiàn)性回歸、嶺回歸與lasso回歸，并與XGBoost算法進(jìn)行了對(duì)比。

（1）多變量線(xiàn)性回歸模型見(jiàn)圖6;（2）lasso回歸模型見(jiàn)圖7;（3）ridge回歸模型圖見(jiàn)圖8;（4）XGBoost集成算法模型見(jiàn)圖9。

從圖6到圖9中可以看出，在對(duì)數(shù)據(jù)集的測(cè)試中，線(xiàn)性回歸表現(xiàn)出了明顯的欠擬合，嶺回歸和lasso回歸表現(xiàn)良好，但在測(cè)試集上效果都不如XGBoost算法。

4 結(jié)語(yǔ)

本文提出了基于XGBoost集成算法的二手房房?jī)r(jià)預(yù)測(cè)模型，并通過(guò)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，特征選擇，基分類(lèi)器選擇，網(wǎng)格交叉驗(yàn)證，超參數(shù)優(yōu)化構(gòu)建出了集成模型，通過(guò)對(duì)數(shù)據(jù)集的隨機(jī)抽樣分割為訓(xùn)練集和測(cè)試集，并在測(cè)試集上對(duì)模型進(jìn)行評(píng)估，R2值達(dá)到0.796558，在保證準(zhǔn)確度的情況下，盡可能的對(duì)模型進(jìn)行了優(yōu)化。

參考文獻(xiàn)

[1] 劉彧祺，張智斌，陳昊昱，等.基于XGBoost集成的可解釋信用評(píng)分模型[J].數(shù)據(jù)通信，2019（03）：27-32.

[2] 錢(qián)仲文，陳浩，紀(jì)德良.一種基于XGBoost算法的月度負(fù)荷預(yù)測(cè)方法[J].浙江電力，2019，38（05）：77-82.

[3] 陳欣，于俊洋，趙媛媛.基于CNN和B-LSTM的文本處理模型研究[J].輕工學(xué)報(bào)，2018，33（05）：103-108.

[4] 朱顥東，薛校博，李紅嬋，孟潁輝.海量數(shù)據(jù)下基于Hadoop的分布式FP-Growth算法[J].輕工學(xué)報(bào)，2018，33（05）：97-102+108.