AI+房产应用教程：从零搭建智能估价与推荐服务
想用 AI 给房产估价或做房源推荐，不一定需要从头训练模型。
这篇 AI+房产应用教程面向零基础读者，用开源工具和公开数据，带你从零跑通一个本地可用的智能估价与推荐服务。
整个过程在 Linux 或 macOS 命令行下完成，Windows 用户建议使用 WSL2。
准备运行环境与数据
先确认系统已安装 Python 3.9 以上版本和 pip。
执行 python3 --version 检查版本。
然后创建独立虚拟环境，避免污染系统包：
python3 -m venv estate-ai
source estate-ai/bin/activate
pip install --upgrade pip
pip install pandas scikit-learn fastapi uvicorn joblib数据方面，准备一份 CSV 文件 houses.csv，至少包含面积、房间数、楼层、地段评分、总价等字段。
没有真实数据时，可以用公开的房产数据集，或按字段手动构造几十条样例数据用于测试。
训练一个可用的估价模型
新建 train.py，用 scikit-learn 的随机森林回归模型做价格预测。
核心代码如下：
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import joblib
df = pd.read_csv('houses.csv')
X = df[['area', 'rooms', 'floor', 'location_score']]
y = df['total_price']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
print('R2:', model.score(X_test, y_test))
joblib.dump(model, 'price_model.pkl')运行 python train.py，观察输出的 R2 分数。
R2 越接近 1 表示模型拟合越好，但不要追求过高而忽略过拟合。
如果分数过低，优先检查数据质量和特征字段是否合理。
封装成 HTTP 接口供其他系统调用
新建 app.py，用 FastAPI 暴露一个估价接口和一个基于规则的推荐接口：
from fastapi import FastAPI
import joblib
import pandas as pd
app = FastAPI()
model = joblib.load('price_model.pkl')
@app.post('/predict')
def predict(area: float, rooms: int, floor: int, location_score: float):
data = pd.DataFrame([[area, rooms, floor, location_score]],
columns=['area', 'rooms', 'floor', 'location_score'])
price = model.predict(data)[0]
return {'estimated_price': round(float(price), 2)}
@app.get('/recommend')
def recommend(budget: float, min_area: float):
df = pd.read_csv('houses.csv')
result = df[(df['total_price'] <= budget) & (df['area'] >= min_area)]
return result.head(5).to_dict(orient='records')启动服务：uvicorn app:app --host 0.0.0.0 --port 8000。
看到 Application startup complete 表示成功。
验证接口与排查常见问题
用 curl 测试估价接口：
curl -X POST 'http://127.0.0.1:8000/predict?area=90&rooms=2&floor=8&location_score=7.5'预期返回类似 {"estimated_price": 3200000.0} 的 JSON。
如果报错，按以下方向排查：
- 模型文件找不到：确认
price_model.pkl与app.py在同一目录，或改用绝对路径。 - 字段名不匹配：检查 CSV 列名和代码中的列名是否完全一致，大小写敏感。
- 端口被占用：换一个端口，例如
--port 8001，或检查是否有其他进程占用 8000。 - 依赖缺失：重新执行
pip install安装提示的包名。
避坑与上线前检查
房产数据涉及隐私和合规，不要使用未经脱敏的真实客户信息训练模型。
模型输出仅供参考，不能替代专业评估。
如果要把服务暴露到公网，务必加上身份验证和请求频率限制，避免被恶意调用。
另外，每次更新训练数据后要重新训练并替换模型文件，否则接口返回的仍是旧模型结果。
效果验证与后续扩展
调用估价接口几次，对比模型输出和已知成交价的偏差范围，判断是否在可接受区间。
推荐接口返回的房源应满足预算和面积条件。
如果结果不合理，优先回看训练数据是否覆盖了当前查询的特征范围。
后续可以加入更多特征（如房龄、朝向、地铁距离），或把规则推荐替换为协同过滤模型。
常见疑问：
一定要用 GPU 吗？ 本文的随机森林模型在 CPU 上即可运行，不需要 GPU。
没有真实房产数据怎么办？ 可以先用公开数据集或按字段构造样例数据跑通流程，再替换为合法来源的数据。
接口返回 422 错误是什么原因？ 通常是参数类型不对或缺少必填参数，检查请求参数名和类型是否与接口定义一致。
按照以上步骤，你已经完成了一个可本地运行的 AI+房产应用最小原型。
后续可根据实际业务调整模型和接口逻辑。
