近两年来,国家提倡房住不炒,各大银行纷纷上调房贷利率,房价上涨势头有所缓解。在此背景下,房地产市场的未来走势越来越成为全民关注的焦点。对于购房刚需族,如何高效准确地掌握各类商品房的真实价格成为了困扰他们的头号难题。本文在分析了实验所用房产数据的真实性和合理性之后,着手对数据样本进行了一定的分类研究,并从实用性的角度出发,对商品房价格进行了一定的预测和分析,从而反映出不同价位商品房的价格走势,对于普通购房者具备一定的参考意义。有关房价的预测分析,国内外也有不少学者进行了相关的研究,不过基本都是选择传统神经网络或者机器学习方法,结合部分房屋价格影响因素直接构建房价预测模型,对于不同价值的房屋进行预测时可能会出现较大误差。本文将多种分类器与回归算法结合应用于房屋价格预测这一热点民生问题上,大幅度提高了当前房价预测方法的精确度。同时为了更加准确地把握数据规律,本文对数据进行了特征重要性分析,去除了数据中对房价影响较小的因素及无关属性,达到数据降维的目的,有效避免了过拟合现象。本次研究所使用的房产数据集来源于Kaggle网站,数据信息公开透明,真实可靠。实验过程中,先使用贝叶斯神经网络,梯度提升决策树,K近邻和逻辑回归四种分类器对数据进行分类,将不同销售记录的商品房分为低、中、高三种价值。根据分类结果,对四种分类器的分类性能进行初步比较,最终发现贝叶斯神经网络分类器处理实验数据时的分类性能最优。针对不同分类器分出的房产数据,再依次使用多元线性回归、决策树、随机森林、长短期神经网络以及门控循环单元五种模型进行房价预测。根据预测结果,分别计算出五种模型依次处理不同分类器分出的三类数据集时所得评价指标的相应加权平均值,并将其作为五种回归模型处理不同分类器分出的数据集时的评价指标。最后,将各种模型依次处理不同分类器分出的数据集时所得评价指标分别与该种模型处理未分类数据集时的评价指标对比,发现各种模型处理任意一种分类器分类后的数据集时效果都比该种模型处理未分类数据集的效果更好。同时,通过将同种模型依次处理不同分类器分出的数据集时所得评价指标进行两两对比,从而得出各种模型的最佳预测效果。最后通过对比五种回归模型各自取得最佳预测效果时的各项评价指标,发现贝叶斯神经网络和随机森林的组合模型预测效果最佳,三种误差（MAE、RMSE、MAPE）分别为1408.33元、2138.48元、8.46%,相比较直接使用多元线性回归模型（处理未分类数据集时效果最佳）进行预测,实验误差MAE减少了669.75元,RMSE减少了567.05元,MAPE减少了6.25%,预测效果显著提升。图[19]表[14]参[60]