Standard 报告及相似度加权

Standard 报告使用 RentJudge 的专有机器学习相似度模型，确定每套可比房源对租金估算的贡献。更相似的房屋影响更大，而非所有房源权重相同。

工作原理

模型比较位置、居住面积、卧室、卫生间、建成年份、房屋类型和房源最近一次出现的时间。学习得到的系数将这些差异组合成惩罚值，再转换为相似度分数。分数归一化为贡献比例，所有纳入房源的比例合计 100%。

Standard 对原始挂牌租金进行加权平均。Pro 使用相同的相似度权重，并进一步根据房屋特征、配套和可用照片分析调整租金。加权改变的是房源贡献比例，而非其挂牌金额。请参阅 Pro 报告及调整。

搜索半径、房源发布时间范围及其他条件决定检索哪些房源。每份报告搜索最多 25 套符合条件的可比房源，Standard 和 Pro 均显示并使用所有返回房源。稀疏市场或更严格条件可能返回更少结果。相似度加权是对最终房源集合执行的独立步骤。

理解估算权重

估算权重表示每套可比房源对估算的影响程度。列表、地图详情、分享报告和 PDF 使用相同百分比。例如，权重 50% 表示该房源在加权平均中贡献一半。纳入房源较多时，小权重很正常。

纳入房源的权重在四舍五入前合计 100%。排除房源会将其权重设为零，并在剩余房源间重新分配。这些百分比不是准确率、置信度或匹配率。标签只显示百分比，颜色表示相对贡献：绿色高于等份权重，琥珀色为半份至一份等份权重，红色低于半份，灰色表示已排除。如果纳入十套房源，等份为 10%，因此绿色超过 10%，琥珀色为 5% 至 10%，红色低于 5%。颜色不代表匹配质量或准确性。

点击百分比旁的 ⓘ 可查看说明和可用比较信息。Pro 报告将权重应用于调整后的租金。报告和 PDF 均包含文字说明及颜色图例。

面积或建成年份未知时，会应用学习得到的缺失数据惩罚。评分输入无效或评分服务故障时，新报告无法完成。没有学习权重的早期快照保留原等权平均结果，并显示等权重及说明。

离线基准测试

实验日期：2026 年 9 月 11 日。我们从租赁房源数据中抽取 100,000 套不同房屋。最终留出测试集包含 12,023 套房屋，每套至少有五个符合条件的可比房源。

误差下降 37.4%，计算方式为 (533.16 − 333.80) / 533.16。这衡量的是平均绝对金额误差的减少，并非准确率提高 37.4 个百分点。

系数使用较早观察数据训练，对估算租金与观察租金的对数采用 Huber 损失，系数约束为非负。超参数在独立验证时段选取。上述数字来自未经使用的较晚测试时段，不是训练损失。实验比较了线性和二次模型，本版本选用更简单的线性模型。

所有方法使用相同的最近地理候选房源，范围为三英里内及 180 天内，最多二十套、至少五套。该候选集未应用当前生产环境的卧室、面积或房屋类型筛选。目标房屋及其房产身份被排除在参考池之外。当前每份报告 25 套的上限未在此实验中单独评估。

**局限：**该回顾性快照使用挂牌租金，而非经核实的实际成交租金，也未重建每项历史房源属性。结果尚未在 RentJudge 当前生产筛选后的报告、未见过的未来数据或 Pro 调整租金上验证。它不能证明优于竞品估算，不能保证可实现的租金，也不能预测单套房屋的误差。

价格和包含的修改次数请参阅积分及报告修改。