我们都知道,房子除了最基本的居住用途外,还可以用来做投资。所以,房价的涨跌也就成了大家非常关心的问题。房价是如何估算的,可能对我们每一个人都是一件没有头绪的任务。今天我们就来探讨一下如何利用人工智能来更准确评估房价。
房价的估算有几种常用的方法,其中有一种方法叫做“市场比较法”,这种方法是各种方法中最简洁明了的。根据交易价格和影响房价的因素,就可以大致估算出自己房子的价格。但是估算的只是大致价格,缺乏足够的数据支撑,不具有科学性和代表性。我们虽然知道是学区房、紧邻高铁和地铁、越新的楼盘价格会越高,却不知道每项因素到底对房价产生多大影响力,也就是说不能把指标量化。
我们再次回到人工智能的讨论,如果采用机器学习来预测房价就可以很好地解决这个问题。基于过往交易记录来训练,每个指标都会被量化,房价的估算就会变得更加准确。简单地说,就是科学地分析各项指标来估算房价。在某数据资源网站上,我们可以找到某年某月的全国房价数据,这个全国房价数据集里,共有将近10万条交易记录,我们拿其中一条为例,分析一下它所包含的指标。房子位于上海市长宁区,详细地址是中山西路某弄某号。周边银行有南京银行、工商银行、农业银行,有建筑时间和建筑面积。附近大学有上海电视大学、东华大学。开发商是上海某某置业有限公司。商圈为中山公园,定位是景观居所、豪华居住区、公园、地产。医院有常宁妇幼保健院。附近幼儿园有法华四路幼儿园。在其它栏目中还有物业费、附近商场、建筑类型、建筑结构、设计师、投资商、供暖、供气、电力、网络、安保、保洁、产权、车位、住宅数目等很多项指标。最后一栏,就是房价,显示多元每平米。
我们再回到特征的概念,影响房价的因素叫特征。在这个数据集里,特征有60多个,神经网络要做的就是根据这60多个特征直接推断出具体房价。我们可以根据整体数据对这60多个特征做相关性分析,对房价影响不大的特征就可以去掉,只留下有用信息,让神经网络更简洁、速度更快。当相关特征确定了之后,数据集清晰明了,我们就可以把数据送入神经网络来训练了。训练结束后,神经网络就可以把相关特征直接生成具体的房价了。我们可以把全国房价作为一个整体来训练,当然也可以拆分为各城市分别来训练,毕竟每个城市房价的影响因素不尽相同,把城市分开可能会更加准确。对于数据量日益庞大的今天,不少房地产APP其实一直在使用人工智能来估算房价。有些APP不仅能估算房价,还能预测未来一年该房价的涨跌走势,为用户的投资提供有价值的参考。