| 기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로 | 배성완·유정석 (2018) | 구분 | MAE | RMSE |
| MRA | 121.778 | 177.385 |
| SVM | 112.342 | 160.312 |
| RF | 108.033 | 153.806 |
| GBRT | 102.925 | 148.996 |
| DNN | 113.022 | 160.723 |
| A house price valuation based on the random forest approach: The mass appraisal of residential property in South Korea | Hong et al. (2020) | 구분 | R-squared |
| OLS | 0.726056 |
| RF | 0.976198 |
| 트리 기반 앙상블 방법을 활용한 자동 평가 모형 개발 및 평가: 서울특별시 주거용 아파트를 사례로 | 김인호·이경섭 (2020) | 구분 | R-squared |
| OLS | 0.427 |
| RF | 0.940 |
| XGBoost | 0.959 |
| LightGBM | 0.958 |
| Stacked(XG) | 0.959 |
| Stacked(LGBM) | 0.931 |
| 머신러닝을 이용한 부동산 지수 예측 모델 비교 | 이주미 외 (2021) | 구분 | RMSE |
| RF | 0.1299 |
| XGBoost | 0.1236 |
| LSTM | 0.0978 |
| 기계학습 방법론을 활용한 아파트 매매가격지수 연구 | 김이환 외 (2022) | 구분 | R-squared | RMSE | MAPE |
| 헤도닉 | 0.848 | 0.167 | 12.852 |
| 인공신경망 | 0.937 | 0.107 | 7.763 |
| RF | 0.996 | 0.066 | 4.432 |
| 기계학습과 XAI를 활용한 아파트 가격과 지역 특성과의 관계 분석 | 양건필·전해정 (2022) | 구분 | MAE | MAPE | RMSE |
| OLS | 1.997 | 29.936 | 3.126 |
| XGBoost | 1.994 | 28.646 | 3.194 |
| RF | 1.854 | 28.440 | 2.970 |
| 머신러닝과 패널고정효과를 활용한 아파트 실거래가 예측 | 김승현 외 (2022) | 구분 | MAE | MAPE | RMSE |
| FE | 2,487.82 | 4.7934 | 13,262.35 |
| RF | 2,788.53 | 3.7794 | 9,329.08 |
| MARS | 853.37 | 1.3443 | 5,064.80 |