我国房地产市场持续升温,房地产市场资源配置调控失灵,政府对房地产的宏观调控失灵。物联网、互联网的发展收集了海量房地产市场数据,使得对房地产数据进行深入研究具有了基础。如何从高维、海量的房产数据提取有用信息,服务于实际,给行业参与者带来回报,给政府制定宏观政策提供参考依据,依赖于将数据转化为信息和知识的速度与能力。本文研究的主要问题是如何从海量二手房数据中找出背后隐藏的规律,得到对二手房房价有巨大影响的特征因子、比较挖掘二手房数据信息的机器学习算法模型的优越性。根据前人研究的重要影响因子理论,通过python技术有目的性的收集商业住宅数据。对爬取到的数据进行规范化处理,数据清洗、预处理、缺失值处理。通过数据可视化手段帮助理解数据并寻找异常数据点。通过特征工程增加变量维度,并选择传统算法多元线性回归、集成算法两个流派的代表性算法:随机森林、XGBOOST,LIGHTGBM进行数据训练,建立价格预测模型。根据模型预测效果的拟合图和评价指标得分进行模型对比,证明了LIGHTGBM的模型对比其它三种算法模型具有一定的优越性,主要体现在LIGHTGBM比其他三种算法能更好的拟合不平衡的标签样本点,对数据集中少量存在的高价标签点和低价标签点都有更好的拟合效果。同时证明了LIGHTGBM对比于XGBOOST在处理特定数据集时,既实现了降低计算内存,提高运行效率,又能防止过度拟合数据。最后通过绘制数据训练中记录的特征重要性评价得分图,证明了区位因素对二手房价格有重大影响效应,为房产销售参与的双方和政府部门做出决策提供数据参考。