python房价预测_您的选房系统已上线——利用python和R如何进行房价预测

关键词：买房 Python 选房 R 定价

这不，成为业余房地产咨询师的第一天，客户戳我了：我要在上海16个区买16套房子，资金到位，您给估个价吧。

另外，我准备了另一份数据：美团美食频道1W+的餐饮POI. 同样使用爬虫获取。

先对房源做缓冲区，缓冲区半径为1KM，计算出落点在这个范围内的POI数据。

然后使用缓冲区与餐饮POI进行空间关联，这样就可以统计出一个房源1KM半径范围内餐饮POI的数量，价格，评论数等等信息，以便接下来建模使用。

**然后创建一个上海中心点点数据。**上海的中心点，在人民广场附近，方便起见，就在地图上点一个吧！

给中心点数据和缓冲区数据添加两个字段，存放投影经纬度

结果如图（部分）：

这样，我们就整合完成了一份样本数据，可以用来进行建模操作！

###理解几个关键点：

1.相关性系数，绝对值越接近1表明相关性越显著，比如房价和面积相关度为0.77；

2.图中的直方图为每个维度的数据分布；

3.散点图中圆越完美表明相关度越低，椭圆形状表明相关度显著。

4.图中的线条是查看线性关系的，可以体现自变量和因变量之间的关系。

下面，我们使用全部属性构建一个回归模型。Price是因变量，“~.”表示导入所有自变量。最后打印模型结果查看。

model

print(summary(model))

print(car::vif(model))

我们可以从结果中读取到拟合后的函数，残差，回归系数，P值，R方等。对于多元线性回归，R方会随着变量的增多不变或增加，所以看实际R方并不科学，模型引入了惩罚因子，最后，我们以调整R方作为最终判定拟合度的依据。我们看到，R方为0.8393，拟合度应该相当不错。

下面我们使用逐步回归法，优化模型。

逐步回归分三种，这里我直接百度介绍：

我们看到，R方进一步提升，达到0.8415。不过，有一个问题，这里去掉了餐厅数量，选择使用评分总和作为其中一个变量，但这里根据我们经验，常识和习惯，这样并不科学。

所以，我们人工替换回餐厅数量这个变量再一次拟合。

model_fin

Avg_allcommentNum + Avg_avgprice + resturant_counts + len, data = model_data)

拟合结果：

最后，我们来使用这个模型，来给房源定价：

predict_result

data.frame(area =108,

room=3,

bathroom=2,

Sum_allcommentNum=56399,

Avg_allcommentNum=247.36,

Avg_avgprice=114.12,

resturant_counts=228,

len=6438),

interval =’confidence’)

print(predict_result)

用法很简单，输入房源的信息，就能预测出结果。比如108平米，3房2卫，1KM半径缓冲区内有228家餐厅，平均价格114.2，平均评论数247.36，评论综合56399条，距离市中心6.438KM，最终结果如下：

（从左往右分别是：估价-最低估价-最高估价）

客户看了我的定价模型以后，面带笑容，似乎感觉非常满意！

突然他问我道：在上海郊环以外，有没有10平米的合租房/p>

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树首页概览210623 人正在系统学习中 相关资源：vissim电子仿真软件-嵌入式文档类资源-CSDN文库