北京市房价居高不下,超过大部分人的经济承受能力,同时政府严格限制购房资格,这使得在北京打拼的人们只能选择租房解决住宿问题。目前的租房市场没有制定统一的房租价格标准,导致房产中介哄抬房价,严重影响租房市场健康发展和人们的正常生活。因此,探讨房租影响因素以及如何利用机器学习方法对房租进行预测,对于促进房租市场健康发展具有重要作用。首先,利用python从自如网站爬取北京市2018年11月的合租房源数据,并调用百度地图API,最终获得数据22042条,包括18个特征变量,为后文研究提供数据支撑。其次,运用直方图、箱线图、词云图、热力图等多种统计图表,对房租影响因素、房租价格和房屋数量的空间分布进行探索性分析和可视化,得出北京市房租价格空间上从环式中心向外不断递减,同时具有北高南低、东高西低的特点,局部特殊的区位条件导致了少数空间变异现象。再次,利用训练集数据分别建立随机森林模型和XGBoost模型,并对模型进行参数调优,建立最终的房租价格预测模型,同时输出变量重要性排序。通过变量重要性排序可知:在区位特征中,经纬度、城区、周边地铁站数量和写字楼数量对房租价格影响较大;在建筑特征中,房屋的面积、户型、是否独卫对房租价格影响较大。最后,利用测试集数据,通过四种常用模型预测效果评价指标对两种优化后的模型进行比较,可知随机森林模型和XGBoost模型用来预测房租价格都是合理的,但是相比较而言,XGBoost模型的预测效果更好。