随着我国经济社会发展,居民收入增加,生活水平提升的同时,全国商品房价格也一直处于增长状态,并带动了住房租赁市场租金的增长。尤其是在一线和新一线城市,住房租赁市场规模增长迅速,但也存在很多问题亟待解决,如供求关系失衡导致住房租赁供不应求、租客和房东之间存在信息不对称导致租客在住房租金上蒙受损失、大量存在的房产中介使租房过程更加的不透明。为解决存在的问题,建立合理的住房租赁租金价格标准是关键,当下机器学习技术的发展为解决该问题提供了契机。本文尝试通过大数据采集和机器学习模型基于真实的杭州市住房租金数据建立租金预测模型,希望能够对住房租赁市场租金价格提供合理预测,以供参考。本文研究内容包括三个部分:第一部分杭州市住房及租金相关数据获取。一是通过网络爬虫采集了链家网杭州市租房板块2021年8月份在租的房源信息;二是根据房源信息获取了其所在小区的相关信息;三是利用高德地图提供的API接口采集了杭州市各类基础设施信息,使用经纬度坐标换算方法匹配了各房源周边2KM内的基础设施数量;四是通过杭州市统计年鉴补充了杭州市各行政区域人口构成、就业情况、经济发展水平等数据,形成了完整全面的杭州市住房租金多维度数据集。第二部分对不同来源数据进行清洗和变换,整理成满足后续建模使用的数据集。本文使用特征组合方法构建了49个新特征,采用基于树模型特征重要性选择方法筛选出可用于后续建模的特征共136个。第三部分优化预测模型并结合不同维度数据集比较模型的优劣。对前述收集到的32278条真实房源租赁数据按照8:2的比例划分训练集和测试集后,分别训练多元线性回归模型、随机森林模型和XGBoost模型,并对训练结果进行了评价比较。对随机森林和XGBoost模型中的训练参数进行调整以提高预测精度,并比较了杭州市住房租金不同维度数据特征对最终预测效果的影响。本文得到的结论主要有:（1）不同的预测模型具有不同预测精度。在本文数据集和应用场景下,XGBoost模型凭借其更强的泛化能力和适用面,对杭州市住房租金的预测效果更好,其预测准确度为93.04%,平均预测误差为307元,且参数优化后的XGBoost模型预测准确率提升了4.13个百分点,提升比率达4.65%,平均预测误差下降比率达35.77%。（2）不同维度的数据集影响预测精度。通过建模预测发现,相比单独使用房源数据作为数据集,在完整数据集上优化后的XGBoost模型平均绝对误差减小了276元,预测准确率提高了6.44个百分点,随机森林模型平均绝对误差减小355元,预测准确率提高了8.19个百分点,表明从多维度构建的数据集特征能够有效提高杭州市租房租金预测的精度。