房地产市场是中国的一大支柱型行业,房价的飞速上涨已变成了一个令全国人民关注的现象,如果能够有效的进行房价的预测对个人或房地产行业都有着极大的积极作用。同时随着经济的进步,以及大数据和互联网的发展,二手房的数据在网上也越来越多,从庞大的数据中提取出所需要的特征,构建房价预测模型对于消费者或者是房地产商都有着重要的指导意义。基于此,本文采用前沿机器学习方法构建房价预测模型进行二手房房价预测,通过采用选定的评价指标,选定最优算法。本文以重庆九个区的二手房价作为研究对象,通过使用python的selenium库进行对房天下二手房官网进行二手房数据的爬取。共收集到数据约31000余条,通过数据可视化的手段,将收集到的二手房价格与各个特征之间构建出散点图或箱线图等,寻找出合适的特征。结合国内外房价预测模型以及各种优秀算法模型,选择使用Light GBM算法,XGBoost算法,和Cat Boost算法进行构建房价预测模型,采用Stacking融合模型的方式进行模型融合来预测。利用线性回归模型,支持向量回归模型,随机森林模型作为对照组。通过评价指标平均绝对误差（MAE）、均方根误差（RMSE）以及决定系数（R~2）来对组合模型进行的准确度进行评价。得出结论:在集成学习算法里面的随机森林回归模型、XGBoost模型、Light GBM模型、Cat Boost模型以及Stacking融合模型都有着良好的表现。其中从评价指标上来说,Stacking模型融合的效果最好,其次是XGBoost模型,在三大算法当中,Light GBM算法与Cat Boost算法比随机森林模型稍有不足,但是并没有太大的差距。也就是说XGBoost模型、Light GBM模型、Cat Boost模型在房价预测中能够较好的对房价进行预测。本文探索了机器学习前沿算法XGBoost算法,Light GBM算法,Cat Boost算法在房价中的应用,也是对房价预测的一个新的尝试。