Najmeh Dehghani，仲量联行分析工程师
可以使用机器学习算法优化报价请求 (RFQ) 流程，以根据历史数据预测预制金属建筑 (PEMB) 的价格。 此过程包括收集 PEMB 数据、通过删除缺失值和处理异常值对其进行预处理、通过特征工程选择相关特征，以及将数据拆分为训练集和测试集。 流行的机器学习算法（例如线性回归、决策树、随机森林或神经网络）可用于构建模型，并且使用均方误差（MSE）和均方根误差（RMSE）等性能指标来评估模型。
Python 和 JMP 是可用于此预测建模的两种工具。 Python 是一种流行的编程语言，具有数据分析和机器学习库。 同时，JMP是一个用于统计分析和数据可视化的商业软件包。 在两者之间进行选择取决于具体的项目要求、用户技能和可用资源。
通过构建 PEMB 的预测模型，组织可以更准确地估计未来项目的权重，从而更好地制定预算、规划和资源分配。
