本研究運用近年來熱門機器學習（Machine Learning）方法中的隨機森林（Random Forests），以實價登錄資料加入運輸設施、休閒設施、及社會安全特徵，建立預測高雄市房價模型。本文更進一步詳細分析出影響房價特徵的重要性，並以之做排序。

隨機森林模型特色主要具備分類（Classification）及迴歸（Regression）功能，相較傳統統計模型，更能有效捕捉複雜的非線性。且隨機森林建構於決策樹上，透過拔靴法（Boostrap）抽樣大幅強化決策樹的穩定度，並能夠分析各個特徵的重要性並以之排序。

實證分析顯示，主要影響房價之特徵為房屋之屋齡，其次為鄉鎮市區、犯罪率與標的物最近捷運距離等。

This paper employs the popular machine learning algorithm "Random Forest" to build a housing price prediction model for Kaohsiung City using the Actual Price Registration data set.
Decision tree could classify or predict target features with impressive precision and speed. On the other hand, random forests ensemble decision tree to greatly increase the stability of the model. Furthermore, Random Forests could rank the importance of the features in the model.
Our empirical analysis finds that the main features the affecting housing prices are the housing age of the house, followed by the township urban area, the crime rate, the recent MRT distance of the subject matter, etc.

第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 1
第三節 研究目的 2
第二章 文獻回顧 5
第一節 建物特徵對房價之影響 5
第二節 運輸設施對房價之影響 5
第三節 休閒設施對房價之影響 6
第四節 社會安全對房價之影響 7
第三章 研究方法 9
第一節 資料來源 9
第二節 變數說明 9
第三節 研究方法 11
第四節 模型檢測 12
第四章 實證結果及分析 15
第一節 敘述性統計 15
第二節 模型建立結果 17
第三節 影響房價特徵重要程度 18
第四節 樣本內外預測結果 20
第五章 結論與建議 23
第一節 研究結果 23
第二節 後續研究議題 23
參考文獻 25
中文部分 25
英文部分 26

中文部分
李春長、梁志民、林豐文（2017）。捷運系統對鄰近住宅價格之影響－以差異中之差異法估計。臺灣土地研究，20(2)，31-58。
李春長、游淑滿、張維倫（2012）。公共設施、環境品質與不動產景氣對住宅價格影響之研究兼論不動產景氣之調節效果。住宅學報，21(1)，67-87。
李吉弘、楊宗憲（2010）。預售屋與成屋價差比關係之研究－以台北市和台北縣為例。建築與規劃學報，11(1)，1-14。
林忠樑、林佳慧（2014）。學校特徵與空間距離對周邊房價之影響分析－以台北市為例。經濟論文叢刊，42(2)，215-271。
林祖嘉、馬毓駿（2007）。特徵方程式大量估價法在台灣不動產市場之應用。住宅學報，16(2)，1-22。
洪得洋、林祖嘉（1999）。臺北市捷運系統與道路寬度對房屋價格影響之研究。住宅學報，8，47-67。
陳章瑞（2013）。以地理加權迴歸模型之空間分析探討都是公園之寧適效益。造園景觀學報，19(1)，17-46。
張金鶚、楊宗憲、洪御仁（2008）。中古屋及預售屋房價指數之建立、評估與整合－台北市之實證分析。住宅學報，17(2)，13-34。
曾建穎、張金鶚、花敬群（2005）。不同空間、時間住宅租金與其房價關聯性之研究－台北地區之實證現象分析。住宅學報，14(2)，27-49。
解鴻年、胡太山、邵澤恩（2000）。鄰里公園對鄰近不動產影響之研究：以新竹市為例。建築與規劃學報，1(3)，258-271。
楊宗憲、蘇倖慧（2011）。迎毗設施與鄰避設施對住宅價格影響之研究。住宅學報，20(2)，61-80。


英文部分
Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and regression trees. Wadsworth Int. Group, 37(15), 237-251.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Boggess, N. L., Greenbaum, R. T., & Tita, G. E. (2013). Does crime drive housing sales? Evidence from Los Angeles. Journal of Crime and Justice, 36(3), 299-318.
Conway, D., Li, C. Q., Wolch, J., Kahle, C., & Jerrett, M. (2010). A spatial autocorrelation approach for examining the effects of urban greenspace on residential property values. The Journal of Real Estate Finance and Economics, 41(2), 150-169.
Debrezion, G., Pels, E., & Rietveld, P. (2007). The impact of railway stations on residential and commercial property value: a meta-analysis. The Journal of Real Estate Finance and Economics, 35(2), 161-180.
Gibbons, S. (2004). The costs of urban property crime. The Economic Journal, 114(499), F441-F463.
Hoshino, T., & Kuriyama, K. (2010). Measuring the benefits of neighbourhood park amenities: Application and comparison of spatial hedonic approaches. Environmental and Resource Economics, 45(3), 429-444.
Lynch, A. K., & Rasmussen, D. W. (2001). Measuring the impact of crime on house prices. Applied Economics, 33(15), 1981-1989.
Pope, D. G., & Pope, J. C. (2012). Crime and property values: Evidence from the 1990s crime drop. Regional Science and Urban Economics, 42(1-2), 177-188.
Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
Salzberg, S. L. (1994). C4. 5: Programs for machine learning by j. ross quinlan. morgan kaufmann publishers, inc., 1993. Machine Learning, 16(3), 235-240.
Tyrväinen, L., & Miettinen, A. (2000). Property prices and urban forest amenities. Journal of environmental economics and management, 39(2), 205-223.
Voith, R. (1991). Transportation, sorting and house values. Real Estate Economics, 19(2), 117-137.