Najmeh Dehghani，仲量聯行分析工程師
可以使用機器學習算法優化報價請求 (RFQ) 流程，以根據歷史數據預測預製金屬建築 (PEMB) 的價格。 此過程包括收集 PEMB 數據、通過刪除缺失值和處理異常值對其進行預處理、通過特徵工程選擇相關特徵，以及將數據拆分為訓練集和測試集。 流行的機器學習算法（例如線性回歸、決策樹、隨機森林或神經網絡）可用於構建模型，並且使用均方誤差（MSE）和均方根誤差（RMSE）等性能指標來評估模型。
Python 和 JMP 是可用於此預測建模的兩個工具。 Python 是一種流行的編程語言，具有數據分析和機器學習庫。 同時，JMP是一個用於統計分析和數據可視化的商業軟件包。 在兩者之間進行選擇取決於具體的項目要求、用戶技能和可用資源。
通過構建 PEMB 的預測模型，組織可以更準確地估計未來項目的權重，從而更好地制定預算、規劃和資源分配。
