机构名称：
¥ 1.0
摘要 - 这项研究介绍了四种机器学习方法的开发和比较，即随机森林，决策树，线性回归和K-最近的邻居（K-NN），以使用波士顿住房数据集进行基于房价的预测。使用均方根误差和r 2评估了方法性能，目的是确定最能预测住房价格的模型。对数据集进行了彻底分析，以了解功能，相关性，多重共线性和过度拟合。结果表明，RF模型在预测房价方面的表现优于其他模型，因为它具有解决变量之间非线性和复杂相互作用并减少异常值的影响的能力。DT模型也表现良好，但可能更容易过度拟合。lr可能受到变量之间的线性和独立性的假设的限制。
一项基于机器学习预测房价的比较研究
主要关键词
相关文件推荐
