可解释的机器学习模型用于住宅物业价格预测：传统和机器学习评估方法的比较研究

住宅物业的评估对有效的房地产市场运作、抵押贷和投资决策至关重要。由于透明性和理解预测背后过程的能力，多元线性回归（MLR）以及其他传统方法被广泛采用来计算房地产的价值。然而，传统模型在捕捉现代住房市场特征的非线性关系时面临问题。包括随机森林（RF）和XGBoost等算法的机器学习（ML）方法在预测准确性方面表现更好，但缺乏可解释性。本文旨在比较基于德克萨斯州住宅房地产智能2026年数据集（包含12,137条关于待售住宅物业的条目）的MLR、RF和XGBoost的预测能力和可解释性。研究方法将涉及定量分析。数据将使用次级来源收集，特别是Kaggle。ML模型的性能将通过R²、RMSE和MAE来测量。为评估模型的可解释性，将使用SHAP。此外，本研究旨在通过调查SHAP是否能比回归系数单独提供更多的预测洞察，向现有可解释AI文献做贡献。更重要的是，研究还将指示在房屋价值预测模型中，预测准确性与可解释性之间的权衡。