伴随着房地产行业的迅速发展,近几年来购房热度逐渐飙升。住房关系人民的生活之本,而房价更关乎整个国民经济和人民生活的幸福感,因此住房价格逐渐成为社会关注的焦点问题。在现有的文献中,研究房价问题一般会采用传统的多元线性回归方法,该方法存在一个弊端是假设不同小区之间、小区与周围环境之间是互不影响的,其房屋估价的准确性很难得到保证。因此,本文在传统特征价格模型基础上加入空间效应,使用机器学习方法,建立一种更加科学准确的二手房估价模型。这种改良的空间特征价格模型能够帮助开发商更好地做出投资决策,为消费者购房时提供更准确的参考依据。本论文的主要内容包括:1、应用爬虫方法搜集了昆明市盘龙区132个小区的1060条数据,针对其中的缺失数据和脏数据进行预处理,将空间分异概念引入传统估价模型中,提出改进的空间特征价格模型。2、运用多种方法对收集的房价数据进行预测。首先介绍了所用方法的相关理论知识,用引入空间变量的最传统的方法—多元线性回归对数据进行分析,发现拟合度不高,F值很小。然后用XGboost和随机森林方法找到对小区单价影响较大的几个特征变量,10折交叉验证后,选出最优的参数。最后分别取70%为训练集,30%为测试集后,用支持向量回归、随机森林回归以及XGboost回归进行建模,得到单价的预测值。3、对比测试集房价预测值的误差和模型拟合优度,分析影响估价模型的主要因素并提出相关建议。结果表明,小区的位置、小区周围的交通条件(如距最近地铁站、公交车站的远近)、小区周围的教育环境(距最近学校的远近)以及房屋建造时间等对房价产生很大的影响。通过提取重要性较高的变量建模后,发现随机森林回归方法相对误差最低,XGboost回归模型拟合优度最高,即引入空间效应的随机森林回归模型和XGboost回归模型更适用于昆明市盘龙区二手房数据的研究。