项目案例

机器学习驱动的上海房价预测

基于 XGBoost 与 SHAP 的上海月度房价趋势预测。

我的角色

机器学习建模与解释分析

项目阶段

数据清洗、建模、解释与评估

关键结果

最终模型 RMSE 320.06，MAE 176.82，明显优于线性回归，并识别上月价格增长、M2、股市指标、消费者信心等关键变量。

背景

上海房地产市场波动明显，影响因素横跨宏观经济、金融环境、政策变化和市场情绪。传统线性模型很难捕捉这些变量之间的复杂关系。

这个项目关注两个问题：如何用机器学习预测短期房价趋势，以及如何解释影响价格变化的关键变量，而不是只得到一个黑箱预测结果。

我完成数据清洗、特征工程、XGBoost 建模、线性回归对比和 SHAP 解释分析，将 2000-2024 年上海住房价格、宏观经济、金融、政策与情绪变量整合进同一套预测框架。

整合 2000–2024 年上海房价、宏观经济、金融、政策与情绪变量，并构建滞后特征。

使用 XGBoost 建立预测模型，并以线性回归作为基准模型进行对比。

通过 RMSE、MAE 验证预测效果，判断模型是否具备稳定解释价值。

使用 SHAP 分析关键变量贡献，将模型输出转化为可理解的市场判断。

最终 XGBoost 模型 RMSE 为 320.06，MAE 为 176.82，明显优于线性回归。SHAP 结果显示，上月价格增长、M2、股市指标、消费者信心等变量对预测具有重要影响。

这个项目连接了房地产、宏观经济、机器学习和可解释 AI，是我从建筑环境管理转向数据驱动决策的核心项目。

PDF

本页面为项目摘要版，完整研究过程与模型细节可查看原始报告。

继续浏览