近年來台灣房價居高不下，讓許多人打消買房念頭，根據世界銀行的統計，發達國家正常的房價所得比一般在1.8～5.5之間， 然而2023年台灣的房價所得比卻為20.1，台北更高達29.5，遠高於世界銀行統計的合理值。為了打造健全的房市，內政部於民國101年8月開始推動「實價登錄系統」，旨在提高房地產價格的透明度，透過公開實際交易價格解決以往的資訊不對稱問題。這項措施不僅讓一般民眾更加瞭解市場行情，還能緩解因資訊不對稱導致的高房價問題。為方便一般民眾的使用和查詢，本研究使用的所有數據都來自實價登錄系統以及政府機關的公開資料。研究方法部分，本研究使用決策樹CART和CHAID建構了房價預測模型，並對其進行比較分析。
本研究使用內政部實價登錄系統的實際交易價格資訊進行研究，樣本選取範圍限制在台南市北區世紀之門大樓，對特定建案進行研究分析，並將外在環境條件影響降至最低。過去，許多研究使用類神經網路與迴歸模型來預測房價走勢，但使用決策樹來預測房價的研究相對較少，因此，本研究欲以CART決策樹和CHAID決策樹來預測房價，相比於類神經網路預測的不透明性，決策樹模型能夠清楚地呈現其規則和分類流程，讓使用者更容易理解。
本研究針對世紀之門大樓進行房價預測，並進行兩種決策樹方法的比較分析，研究結果顯示，在預測準確度上CHAID法準確度高於CART法，而兩種決策樹方法的R-Squared值均超過0.75，這表明兩種模型對於世紀之門大樓的房價預測皆具有相當高的解釋能力，因此，本研究的模型可作為購買世紀之門大樓或周邊地區的房價預測參考依據。

In recent years, Taiwan's housing prices have remained persistently high, dissuading people from considering property purchases. In order to implement housing justice and a health housing market, the Ministry of Interior began to promote the Actual Price Registration System in 2012 to increase the transparency of market price of the real estate, and to solve the problem of information asymmetry in the past by disclosing actual transaction prices. Due to information asymmetry, the general public has less information about the market conditions. In order to make it easier for the general public to use and inquire, all the data used in this research is from the public information of the government agencies. The decision tree is used to build house price prediction models for mutual comparison and analysis. Hope these methods can provide helps to solve the problems caused by information asymmetry.
In the past, many studies have used neural network regression models to predict housing price trends. However, using a decision tree to predict housing prices is relatively rare in data mining techniques. Therefore, this study used two decision trees to predict housing prices. Compared to neural network, the decision tree model is more transparent, allowing users to understand the rules and classification process more clearly.
The results of the study show that the R-Squared value of the two methods are above 0.75, which shows these two models have high explanatory power to predict house prices.

1.彭于萍，「資料探勘應用於圖書觀之探討」，圖書與資訊學刊， 2004。
2.林群立、蔡文祥，「使用條件式二元樹的資料探勘方法」，中華民國資訊管理學會研討會，2003年
3.蔡志豪、許志遠，「以網格搜尋法為基礎之決策樹演算法」，中華民國資訊管理學會研討會，2006年。
4.蘇明潔、陳威廷，「以改良式CART決策樹為基礎的網站流量分析」，中華民國資訊管理學會研討會，2008年。
5.黃郁芬、郭芝蘭、許麗珍，「複合式決策樹於聲學訊號之分類應用」，中華民國資訊管理學會研討會，2010年。
6.王國禎、劉毓麟，「基於改良式CART演算法的醫療數據探勘」，中華民國資訊管理學會研討會，2011年。
7.林怡君，「台灣房價的決定因素」，碩士論文，2017。
8.陳威舟，「房價預測模型建構-以台南市交易資料為例」，碩士論文，2016。
9.馮世傑，「房價影響變數之探討¬-以台北市為例」,碩士論文，2014。
10.蔡智政，「應用CART決策樹與資料視覺技術於低良率晶圓成因探討」，碩士論文，2002
11.賴碧瑩，「房地產景氣指標之研究」，1989
12.Mohammad M. Ghiasi,Sohrab Zendehboudi “Application of decision tree-based ensemble learning in the classification of breast cancer”, Computers in Biology and Medicine 128，2021
13.Gaurav L. Agrawal, Prof. Hitesh Gupta“Optimization of C4.5 Decision Tree Algorithm for Data Mining Application”, International Journal of Emerging Technology and Advanced Engineering，2013
14.Daniel Westreich, Justin Lessler, Michele Jonsson Funk “ Propensity score estimation: neural networks, support vector machines, decision trees (CART), and meta-classifiers as alternatives to logistic regression ” ,Journal of Clinical Epidemiology，2010
15.Byeonghwa Park, Jae Kwon Bae,“Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data”, Expert System With Application,2015
16.許智淵，類神經網路技術與特徵價格法於台北市房價預測結果之比較研究， 碩士論文，2012
17.王俊傑，台北市新房價格趨勢預測平台之雛形研究，碩士論文，2016
18.S. Celik，O. Yilmaz，“COMPARISON OF DIFFERENT DATA MINING ALGORITHMS FOR PREDICTION OF BODY WEIGHT FROM SEVERAL MORPHOLOGICAL MEASUREMENTS IN DOGS”，The Journal of Animal & Plant Sciences, 2017
19.Yeling Yang , Feng Yi , Chuancheng Deng ，Guang Sun , “Performance Analysis of the CHAID Algorithm for Accuracy”，Mathematics article, 2023
20.黃智穎，台南市成大城房價之預測，碩士論文，2021
21.王榮傑，新北市淡海新市鎮房價之分析: 以盛宏新世界案為例，碩士論文，2022