本發(fā)明所涉及房地產(chǎn)估價(jià)領(lǐng)域，具體涉及一種基于隨機(jī)森林的房地產(chǎn)估價(jià)方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

在房地產(chǎn)實(shí)際評(píng)估工作中經(jīng)常用到的三大傳統(tǒng)評(píng)估法市場(chǎng)比較法、成本法和收益法。

成本法：成本法利用了經(jīng)濟(jì)學(xué)中的生產(chǎn)費(fèi)用價(jià)值理論。買(mǎi)賣(mài)雙方重置成本上有了共同的認(rèn)知，由于雙方都出于達(dá)成交易的愿望，他們可以在重置成本的基礎(chǔ)上協(xié)商價(jià)格，達(dá)成一致以完成交易。

市場(chǎng)比較法：市場(chǎng)比較法利用了經(jīng)濟(jì)學(xué)中的替代原理，該原理認(rèn)為商品帶給消費(fèi)者的效用是可以被替代的，當(dāng)某一商品價(jià)格上升時(shí)，消費(fèi)者會(huì)傾向于尋找可以替代該商品效用的其他商品，以更便宜的價(jià)格獲得效用上的滿足。該原理表現(xiàn)為不同房產(chǎn)彼此之間效用的可替代性，通過(guò)與效用相似的交易房產(chǎn)進(jìn)行比較，可以估算出該房產(chǎn)的價(jià)格，市場(chǎng)比較法主要用于市場(chǎng)交易活躍、有大量相似的房產(chǎn)交易的情況。

收益法：收益法則利用了房地產(chǎn)價(jià)格形成的預(yù)期原理，因?yàn)榉康禺a(chǎn)可以被長(zhǎng)久、連續(xù)地使用，房地產(chǎn)的價(jià)格可以由其未來(lái)可以給房主帶來(lái)的所有現(xiàn)金流的現(xiàn)值決定，通過(guò)預(yù)測(cè)房地產(chǎn)以后每年的純收益，估計(jì)選取適合適的資本化率，將未來(lái)現(xiàn)金流折現(xiàn)求和，以求取該房產(chǎn)的合理價(jià)格。收益法主要用來(lái)估算用于投資或經(jīng)營(yíng)的房地產(chǎn)，如投資性住宅、飯店、商鋪等。

這三種方法在很大程度上依賴(lài)于評(píng)估人員的經(jīng)驗(yàn),每套房的評(píng)估需要花費(fèi)專(zhuān)業(yè)評(píng)估人員大量的時(shí)間和精力。由于對(duì)房?jī)r(jià)的理解的原理不同、分析的角度不同，三種方法在實(shí)際中操作中的評(píng)估角度、適用范圍、計(jì)算方法、評(píng)估步驟和難點(diǎn)、評(píng)估結(jié)果各有不同。在傳統(tǒng)方法下，房地產(chǎn)評(píng)估只能依靠評(píng)估人員自身的知識(shí)和經(jīng)驗(yàn)，因此特別強(qiáng)調(diào)房地產(chǎn)評(píng)估是經(jīng)驗(yàn)、科學(xué)和藝術(shù)三者的結(jié)合體。以上三大房?jī)r(jià)評(píng)估方法在現(xiàn)實(shí)中運(yùn)用都有其天生的缺陷。成本法在現(xiàn)實(shí)中實(shí)用性很強(qiáng)，但該方法需要大量的統(tǒng)計(jì)工作，而且房產(chǎn)的折舊往往與實(shí)際有出入，也會(huì)對(duì)房產(chǎn)估價(jià)造成偏差。市場(chǎng)比較法的使用需要具備一些茍刻的條件，如足夠數(shù)量的相似房地產(chǎn)的交易信息是采用該方法的必要前提。然而在房地產(chǎn)市場(chǎng)發(fā)展滯后的區(qū)域，房產(chǎn)交易的總量有限，相似房產(chǎn)交易的數(shù)量更少。另外，即使得到了足夠的交易信息，在對(duì)估價(jià)進(jìn)行修正方面，仍存在很多難以量化的因素，比如交易時(shí)期的不同、參與者個(gè)人偏好等。收益法在對(duì)房地產(chǎn)未來(lái)收益的估計(jì)上存在很多不確定性，實(shí)際操作起來(lái)帶有很大的隨意性，尤其是還原利率的選擇上沒(méi)有固定的原則或公式為依據(jù)，因此估價(jià)的結(jié)果并不理想。因此，傳統(tǒng)評(píng)估方法人力耗費(fèi)較大，且評(píng)估程序復(fù)雜，準(zhǔn)確性也很難度量。

在利用特征價(jià)格理論時(shí)，關(guān)于如何建立價(jià)格評(píng)估模型，盡管有眾多用于房地產(chǎn)評(píng)估的技術(shù)和方法，但目前房產(chǎn)估價(jià)模型大部分是應(yīng)用傳統(tǒng)的多元線性回歸，應(yīng)用這種線性參數(shù)回歸的方法，是在假設(shè)樣本來(lái)自的總體分布是已知正態(tài)分布的基礎(chǔ)上，估計(jì)并檢驗(yàn)總體的相關(guān)情況。顯然，這種建立在確定函數(shù)關(guān)系假設(shè)上的回歸容易造成較大的誤差。在房地產(chǎn)評(píng)估行業(yè)中，不會(huì)存在某種具體而又通用的函數(shù)形式來(lái)表達(dá)特征與市場(chǎng)價(jià)格之間的數(shù)值規(guī)律，這使得現(xiàn)有基于特征價(jià)格理論的估值方法和系統(tǒng)都很難獲得準(zhǔn)確的估價(jià)。

使用傳統(tǒng)的多元線性回歸方法或其他的參數(shù)回歸方法時(shí)，需要預(yù)先設(shè)定函數(shù)形式，且難以精確擬合復(fù)雜的非線性關(guān)系的樣本。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問(wèn)題，本發(fā)明提出一種基于隨機(jī)森林的房地產(chǎn)估價(jià)方法，包括，

步驟1：建立基礎(chǔ)數(shù)據(jù)庫(kù)步驟：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行特征變量量化處理；

步驟2：建立隨機(jī)森林模型的步驟：包括，

步驟21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％的案列作為訓(xùn)練集，25％的案列作為測(cè)試集；

步驟22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

步驟23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

步驟24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

步驟3：對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)的步驟：包括，

步驟31：總體回歸效果平均平方根誤檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟32：總體回歸效果平均相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟33：?jiǎn)蝹€(gè)樣本偏差匹配度檢驗(yàn)的步驟，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì).；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)；

步驟34：?jiǎn)蝹€(gè)樣本偏差相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

步驟4：房地產(chǎn)估價(jià)步驟：包括，

步驟41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；

步驟42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

步驟43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；若未超過(guò)，則按步驟41繼續(xù)尋找相似樓盤(pán)；

步驟44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中按照步驟2尋找相似樓盤(pán)，得到相似樓盤(pán)b；

步驟45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則轉(zhuǎn)步驟44。

進(jìn)一步的，所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)量化處理。

進(jìn)一步的，還包括特征變量重要性評(píng)價(jià)步驟，

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值；

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值。

進(jìn)一步的，在步驟2中依據(jù)特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

本發(fā)明還提供一種基于隨機(jī)森林的房地產(chǎn)估價(jià)系統(tǒng)，包括：

建立基礎(chǔ)數(shù)據(jù)庫(kù)模塊：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行特征變量量化處理；

建立隨機(jī)森林模型模塊：包括

子模塊21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％案列作為訓(xùn)練集，25％數(shù)據(jù)作為測(cè)試集；

子模塊22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

子模塊23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

子模塊24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)?zāi)K：包括

子模塊31：總體回歸效果平均平方根誤檢驗(yàn)，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

子模塊32：總體回歸效果平均相對(duì)誤差檢驗(yàn)，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

子模塊33：?jiǎn)蝹€(gè)樣本偏差匹配度檢驗(yàn)，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì).；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)；

子模塊34：?jiǎn)蝹€(gè)樣本偏差相對(duì)誤差檢驗(yàn)，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

房地產(chǎn)估價(jià)模塊：包括

子模塊41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)模塊；

子模塊42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

子模塊43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)模塊；若未超過(guò)，則按子模塊41繼續(xù)尋找相似樓盤(pán)；

子模塊44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中調(diào)用子模塊42尋找相似樓盤(pán)，得到相似樓盤(pán)b；

子模塊45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則調(diào)用子模塊44；

進(jìn)一步的，所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)的量化處理。

進(jìn)一步的，還包括特征變量重要性評(píng)價(jià)模塊：

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值；

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值。

進(jìn)一步的，在建立隨機(jī)森林模型模塊中依據(jù)所述特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

本發(fā)明還提供一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行如下操作：

步驟1：建立基礎(chǔ)數(shù)據(jù)庫(kù)步驟：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行特征變量量化處理；

步驟2：建立隨機(jī)森林模型的步驟：包括：

步驟21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％的案列作為訓(xùn)練集，25％的案列作為測(cè)試集；

步驟22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

步驟23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

步驟24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

步驟3：對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)的步驟：包括：

步驟31：總體回歸效果平均平方根誤檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟32：總體回歸效果平均相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟33：?jiǎn)蝹€(gè)樣本偏差匹配度檢驗(yàn)的步驟，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì).；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)；

步驟34：?jiǎn)蝹€(gè)樣本偏差相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

步驟4：房地產(chǎn)估價(jià)步驟：包括：

步驟41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；

步驟42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

步驟43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；若未超過(guò)，則按步驟41繼續(xù)尋找相似樓盤(pán)；

步驟44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中按照步驟2尋找相似樓盤(pán)，得到相似樓盤(pán)b；

步驟45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則轉(zhuǎn)步驟44；

進(jìn)一步的，所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)量化處理；

所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行特征變量重要性評(píng)價(jià)步驟：

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值，

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值；

依據(jù)特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

本發(fā)明的有益效果是：

1、本發(fā)明隨機(jī)森林算法是市場(chǎng)比較法的延伸，它將市場(chǎng)中的案例進(jìn)行充分學(xué)習(xí)，能夠發(fā)現(xiàn)隱藏在房地產(chǎn)價(jià)格與各特征因素間的復(fù)雜關(guān)系，實(shí)際上是基于其樣本內(nèi)高精度擬合學(xué)習(xí)規(guī)律，樣本外高置信度水平下推廣知識(shí)的能力。使用隨機(jī)森林進(jìn)行估價(jià)能夠充分體現(xiàn)其數(shù)據(jù)挖掘的優(yōu)勢(shì)，即不用對(duì)函數(shù)形式預(yù)先進(jìn)行假定，避免了傳統(tǒng)評(píng)估方法中人為設(shè)定權(quán)重時(shí)產(chǎn)生的偏差，這大大改善了傳統(tǒng)評(píng)估中的主觀性和隨意性。隨機(jī)森林模型可以快速處理大量的數(shù)據(jù),提高了信息獲取的時(shí)間和質(zhì)量。在評(píng)估普通住宅房地產(chǎn)價(jià)值時(shí)，單筆評(píng)估平均耗時(shí)小于2秒，提高了房地產(chǎn)評(píng)估的效率。

2、本發(fā)明隨機(jī)森林算法不需要預(yù)先設(shè)定函數(shù)形式，可以精確擬合復(fù)雜的非線性關(guān)系的樣本。

3、本發(fā)明隨機(jī)森林算法相比眾多的機(jī)器學(xué)習(xí)方法，在同支持向量機(jī)，和神經(jīng)網(wǎng)絡(luò)的對(duì)比研究中，隨機(jī)森林得出的結(jié)果通常比較好。能夠成功地處理具有多個(gè)種類(lèi)的分類(lèi)變量。例如，在參數(shù)回歸或是神經(jīng)網(wǎng)絡(luò)中，許多定性變量會(huì)導(dǎo)致估計(jì)參數(shù)的數(shù)量大量增加，這通常會(huì)導(dǎo)致回歸結(jié)果的過(guò)度擬合。在隨機(jī)森林中，一個(gè)類(lèi)的名義變量可以用一個(gè)叉樹(shù)來(lái)記錄，并且只用其中的一部分來(lái)建樹(shù)。這能避免由大量分類(lèi)變量造成的問(wèn)題，因此，在處理具有大量分類(lèi)變量的問(wèn)題時(shí)，隨機(jī)森林有較大優(yōu)勢(shì)。由于隨機(jī)森林采用方法建樹(shù)，因此異常值對(duì)結(jié)果的影響將會(huì)減弱。這種方法通過(guò)比較每個(gè)解釋變量的殘差平方和的平均邊際減少，可以衡量每個(gè)變量的重要性。

4、本發(fā)明隨機(jī)森林算法在數(shù)據(jù)集上表現(xiàn)較好，并且在訓(xùn)練完后，它能夠給出哪些特征比較重要，訓(xùn)練速度快，在訓(xùn)練過(guò)程中，能夠檢測(cè)到特征間的互相影響，容易做成并行化方法，實(shí)現(xiàn)比較簡(jiǎn)單等優(yōu)點(diǎn)。能處理海量數(shù)據(jù)，對(duì)高維數(shù)據(jù)無(wú)需進(jìn)行變量刪減或篩選。

附圖說(shuō)明

圖1為本發(fā)明基于隨機(jī)森林的房地產(chǎn)估價(jià)方法流程圖。

圖2為本發(fā)明隨即森林模型決策樹(shù)形成流程圖。

圖3為本發(fā)明房地產(chǎn)估值過(guò)程流程圖。

具體實(shí)施方式

本發(fā)明提出一種基于隨機(jī)森林的房地產(chǎn)估價(jià)方法，包括，

步驟1：建立基礎(chǔ)數(shù)據(jù)庫(kù)步驟：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行特征變量量化處理；

特征變量為：商業(yè)中心距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修等13個(gè)。

具體的量化標(biāo)準(zhǔn)如下表所示：

步驟2：建立隨機(jī)森林模型的步驟：包括，

步驟21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％案列作為訓(xùn)練集，25％數(shù)據(jù)作為測(cè)試集；

步驟22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

采用自助法(boot-strap)抽樣，從原始訓(xùn)練樣本集s抽取k個(gè)訓(xùn)練樣本集，且每個(gè)訓(xùn)練樣本的樣本容量都與原始數(shù)據(jù)集s相同；

步驟23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

步驟24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

步驟3：對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)的步驟：包括，

步驟31：總體回歸效果平均平方根誤檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟32：總體回歸效果平均相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟33單個(gè)樣本偏差匹配度檢驗(yàn)的步驟，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì).；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)；

步驟34單個(gè)樣本偏差相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

通過(guò)對(duì)隨即森林模型進(jìn)行驗(yàn)證，并使用驗(yàn)證通過(guò)的隨即森林模型進(jìn)行估價(jià)，確保了估價(jià)結(jié)果的準(zhǔn)確度。

步驟4：房地產(chǎn)估價(jià)步驟：包括，

步驟41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；

步驟42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

步驟43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟。若否則按步驟4繼續(xù)尋找相似樓盤(pán)；

步驟44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中按照步驟2尋找相似樓盤(pán)，得到相似樓盤(pán)b；

步驟45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則轉(zhuǎn)步驟44。

相似樓盤(pán)之間價(jià)格與特征的關(guān)聯(lián)度很大，通過(guò)尋找相似樓盤(pán)，并依據(jù)相似樓盤(pán)進(jìn)行估價(jià)，可以提高估價(jià)的準(zhǔn)確度。

所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)量化處理。

還包括特征變量重要性評(píng)價(jià)步驟，

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值；

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值。

在步驟2中依據(jù)特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

通過(guò)找出變量特征的重要性程度值，并依據(jù)所述重要性程度值來(lái)對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化，提高了隨即森林模型的估值準(zhǔn)確性。

本發(fā)明還提供一種基于隨機(jī)森林的房地產(chǎn)估價(jià)系統(tǒng)，包括：

建立基礎(chǔ)數(shù)據(jù)庫(kù)模塊：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行特征變量量化處理；

特征變量為：商業(yè)中心距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修等13個(gè)。

具體的量化標(biāo)準(zhǔn)如下表所示：

建立隨機(jī)森林模型模塊：包括：

子模塊21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％案列作為訓(xùn)練集，25％數(shù)據(jù)作為測(cè)試集；

子模塊22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

采用自助法(boot-strap)抽樣，從原始訓(xùn)練樣本集s抽取k個(gè)訓(xùn)練樣本集，且每個(gè)訓(xùn)練樣本的樣本容量都與原始數(shù)據(jù)集s相同；

子模塊23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

子模塊24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)?zāi)K：包括：

子模塊31：總體回歸效果平均平方根誤檢驗(yàn)，計(jì)算下式；

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

子模塊32：總體回歸效果平均相對(duì)誤差檢驗(yàn)，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

子模塊33：?jiǎn)蝹€(gè)樣本偏差匹配度檢驗(yàn)，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì).；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)；

子模塊34：?jiǎn)蝹€(gè)樣本偏差相對(duì)誤差檢驗(yàn)，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

通過(guò)對(duì)隨即森林模型進(jìn)行驗(yàn)證，并使用驗(yàn)證通過(guò)的隨即森林模型進(jìn)行估價(jià)，確保了估價(jià)結(jié)果的準(zhǔn)確度。

房地產(chǎn)估價(jià)模塊：包括

子模塊41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)模塊；

子模塊42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

子模塊43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)模塊。若否則按子模塊4繼續(xù)尋找相似樓盤(pán)；

子模塊44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中調(diào)用子模塊42尋找相似樓盤(pán)，得到相似樓盤(pán)b；

子模塊45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則調(diào)用子模塊44；

相似樓盤(pán)之間價(jià)格與特征的關(guān)聯(lián)度很大，通過(guò)尋找相似樓盤(pán)，并依據(jù)相似樓盤(pán)進(jìn)行估價(jià)，可以提高估價(jià)的準(zhǔn)確度。

所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)量化處理。

還包括特征變量重要性評(píng)價(jià)模塊：

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值；

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值。

在建立隨機(jī)森林模型模塊中依據(jù)所述特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

通過(guò)找出變量特征的重要性程度值，并依據(jù)所述重要性程度值來(lái)對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化，提高了隨即森林模型的估值準(zhǔn)確性。

本發(fā)明還提供一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行如下操作：

步驟1建立基礎(chǔ)數(shù)據(jù)庫(kù)步驟：采集房地產(chǎn)數(shù)據(jù)組成基礎(chǔ)數(shù)據(jù)庫(kù)，采用聚類(lèi)算法或/和去重算法或/和篩選算法對(duì)基礎(chǔ)數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，對(duì)房地產(chǎn)數(shù)據(jù)進(jìn)行

特征變量量化處理；

具體的量化標(biāo)準(zhǔn)如下表所示：

步驟2：建立隨機(jī)森林模型的步驟：包括：

步驟21：在基礎(chǔ)數(shù)據(jù)庫(kù)中取75％案列作為訓(xùn)練集，25％數(shù)據(jù)作為測(cè)試集；

步驟22：采用自助法進(jìn)行抽樣，從測(cè)試集抽取k個(gè)訓(xùn)練樣本集；

采用自助法(boot-strap)抽樣，從原始訓(xùn)練樣本集s抽取k個(gè)訓(xùn)練樣本集，且每個(gè)訓(xùn)練樣本的樣本容量都與原始數(shù)據(jù)集s相同；

步驟23：對(duì)k個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，以此生成k個(gè)決策樹(shù)模型，在決策樹(shù)生成過(guò)程中，從變量中隨機(jī)抽取f個(gè)變量，各個(gè)內(nèi)部節(jié)點(diǎn)利用所述f個(gè)特征變量上最優(yōu)的分裂方式來(lái)分裂，且f值在隨機(jī)森林模型的形成過(guò)程中為恒定常數(shù)；

步驟24：對(duì)這k個(gè)決策樹(shù)的結(jié)果取簡(jiǎn)單平均值來(lái)得到最終的預(yù)測(cè)結(jié)果；

步驟3：對(duì)隨機(jī)森林模型進(jìn)行檢驗(yàn)的步驟：包括，

步驟31：總體回歸效果平均平方根誤檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若平方根小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟32：總體回歸效果平均相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，n為測(cè)試樣本數(shù)目；若相對(duì)誤差小于預(yù)設(shè)值則隨即森林模型通過(guò)檢驗(yàn)；

步驟33單個(gè)樣本偏差匹配度檢驗(yàn)的步驟，計(jì)算下式：

p＝xi/yi

其中：xi預(yù)測(cè)值，yi掛牌價(jià)，p為偏差匹配對(duì)；若偏差匹配度與1的絕對(duì)差小于預(yù)設(shè)值，則隨即森林模型通過(guò)檢驗(yàn)。

步驟34單個(gè)樣本偏差相對(duì)誤差檢驗(yàn)的步驟，計(jì)算下式：

δi＝δi/yi

其中：δi實(shí)際相對(duì)誤差，δi絕對(duì)誤差，yi掛牌價(jià)；若同一樓盤(pán)90％的數(shù)據(jù)其相對(duì)偏差在5％以?xún)?nèi)，則隨即森林模型通過(guò)檢驗(yàn)；

通過(guò)對(duì)隨即森林模型進(jìn)行驗(yàn)證，并使用驗(yàn)證通過(guò)的隨即森林模型進(jìn)行估價(jià)，確保了估價(jià)結(jié)果的準(zhǔn)確度。

步驟4：房地產(chǎn)估價(jià)步驟：包括

步驟41：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，采用待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟；

步驟42：在基礎(chǔ)數(shù)據(jù)庫(kù)中，查找待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)，若案例數(shù)量大于或等于3個(gè)，尋找周邊相似樓盤(pán)a；

步驟43：將待估樓盤(pán)與相似樓盤(pán)a混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)，案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，采用待估樓盤(pán)與相似樓盤(pán)a為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案列數(shù)據(jù)對(duì)待估樓進(jìn)行隨機(jī)森林預(yù)測(cè)并結(jié)束房地產(chǎn)估價(jià)步驟。若否則按步驟4繼續(xù)尋找相似樓盤(pán)；

步驟44：在不含相似樓盤(pán)a的基礎(chǔ)數(shù)據(jù)庫(kù)中按照步驟2尋找相似樓盤(pán)，得到相似樓盤(pán)b；

步驟45：將帶估樓盤(pán)與相似樓盤(pán)a和相似樓盤(pán)b混合，判斷以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)案例數(shù)量是否超過(guò)3個(gè)，若超過(guò)，以待估樓盤(pán)為中心1公里范圍內(nèi)同一行政區(qū)的樓盤(pán)對(duì)待估房地產(chǎn)進(jìn)行隨機(jī)森林預(yù)測(cè)，否則轉(zhuǎn)步驟44；

相似樓盤(pán)之間價(jià)格與特征的關(guān)聯(lián)度很大，通過(guò)尋找相似樓盤(pán)，并依據(jù)相似樓盤(pán)進(jìn)行估價(jià)，可以提高估價(jià)的準(zhǔn)確度。

所述對(duì)房地產(chǎn)案列進(jìn)行特征變量量化處理具體為：對(duì)房地產(chǎn)商業(yè)中心按距離、交通、物管費(fèi)、容積率、綠化率、建成年代、行政區(qū)、樓盤(pán)品牌、建筑面積、樓層、朝向、景觀、裝飾裝修進(jìn)行5個(gè)等級(jí)量化處理；

所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行特征變量重要性評(píng)價(jià)步驟：

隨機(jī)地給各特征變量加入噪聲干擾，依據(jù)準(zhǔn)確率降低的程度來(lái)確定特征變量的重要性程度值，

在變量處加入噪聲干擾，依據(jù)模型準(zhǔn)確率所增加的均方差數(shù)值確定特征變量重要性程度值；

依據(jù)特征變量重要性程度值對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化。

通過(guò)找出變量特征的重要性程度值，并依據(jù)所述重要性程度值來(lái)對(duì)決策樹(shù)生成過(guò)程進(jìn)行優(yōu)化，提高了隨即森林模型的估值準(zhǔn)確性。

本發(fā)明的有益效果是：

1、本發(fā)明隨機(jī)森林算法是市場(chǎng)比較法的延伸，它將市場(chǎng)中的案例進(jìn)行充分學(xué)習(xí)，能夠發(fā)現(xiàn)隱藏在房地產(chǎn)價(jià)格與各特征因素間的復(fù)雜關(guān)系，實(shí)際上是基于其樣本內(nèi)高精度擬合學(xué)習(xí)規(guī)律，樣本外高置信度水平下推廣知識(shí)的能力。使用隨機(jī)森林進(jìn)行估價(jià)能夠充分體現(xiàn)其數(shù)據(jù)挖掘的優(yōu)勢(shì)，即不用對(duì)函數(shù)形式預(yù)先進(jìn)行假定，避免了傳統(tǒng)評(píng)估方法中人為設(shè)定權(quán)重時(shí)產(chǎn)生的偏差，這大大改善了傳統(tǒng)評(píng)估中的主觀性和隨意性。隨機(jī)森林模型可以快速處理大量的數(shù)據(jù),提高了信息獲取的時(shí)間和質(zhì)量。在評(píng)估普通住宅房地產(chǎn)價(jià)值時(shí)，單筆評(píng)估平均耗時(shí)小于2秒，提高了房地產(chǎn)評(píng)估的效率。

2、本發(fā)明隨機(jī)森林算法不需要預(yù)先設(shè)定函數(shù)形式，可以精確擬合復(fù)雜的非線性關(guān)系的樣本。

3、本發(fā)明隨機(jī)森林算法相比眾多的機(jī)器學(xué)習(xí)方法，在同支持向量機(jī)，和神經(jīng)網(wǎng)絡(luò)的對(duì)比研究中，隨機(jī)森林得出的結(jié)果通常比較好。能夠成功地處理具有多個(gè)種類(lèi)的分類(lèi)變量。例如，在參數(shù)回歸或是神經(jīng)網(wǎng)絡(luò)中，許多定性變量會(huì)導(dǎo)致估計(jì)參數(shù)的數(shù)量大量增加，這通常會(huì)導(dǎo)致回歸結(jié)果的過(guò)度擬合。在隨機(jī)森林中，一個(gè)類(lèi)的名義變量可以用一個(gè)叉樹(shù)來(lái)記錄，并且只用其中的一部分來(lái)建樹(shù)。這能避免由大量分類(lèi)變量造成的問(wèn)題，因此，在處理具有大量分類(lèi)變量的問(wèn)題時(shí)，隨機(jī)森林有較大優(yōu)勢(shì)。由于隨機(jī)森林采用方法建樹(shù)，因此異常值對(duì)結(jié)果的影響將會(huì)減弱。這種方法通過(guò)比較每個(gè)解釋變量的殘差平方和的平均邊際減少，可以衡量每個(gè)變量的重要性。

4、本發(fā)明隨機(jī)森林算法在數(shù)據(jù)集上表現(xiàn)較好，并且在訓(xùn)練完后，它能夠給出哪些特征比較重要，訓(xùn)練速度快，在訓(xùn)練過(guò)程中，能夠檢測(cè)到特征間的互相影響，容易做成并行化方法，實(shí)現(xiàn)比較簡(jiǎn)單等優(yōu)點(diǎn)。能處理海量數(shù)據(jù)，對(duì)高維數(shù)據(jù)無(wú)需進(jìn)行變量刪減或篩選。