目前建筑工程造价主要还是依赖人工处理数据和工程师经验，人工处理数据逐渐不能适应当今建筑工程的大数据时代。建筑工程造价的计算方式由人工处理数据转变为计算机计算已经是工程造价行业实现现代化、信息化转型的迫切需求。但面对工程造价多样复杂的计算特点，需要计算机模拟人类的学习行为，获得与工程师一样的“经验”。近年来，机器学习的理论积累和现代计算机计算能力的提升，使得计算机具备了实现人工智能的条件。本文致力于研究机器学习理论在工程造价预测领域上的实现，对比分析机器学习算法在工程造价预测上的性能。
结合机器学习理论和建筑工程造价管理理论，分析研究机器学习中决策树、随机森林、BP神经网络、SVR支持向量机回归的算法原理，并基于这四种算法建立预测模型进行对比研究以及性能分析。本文首先通过广联达指标网获取的775个住宅类工程案例样本及提取样本中的13个工程特征指标，再基于提出的算法建立了预测模型，通过预测结果的对比可以发现，在基于全国范围内的广联达指标网收集的住宅工程数据样本库的基础上建立的工程造价预测模型，随机森林的值0.6174是四种模型中拟合优度最高的。而MSE 、RMSE 、MAE 、MAPE的值是四种模型中最低的，分别是63117.95、251.23、174.28、0.0955，证明在本文设置的条件下随机森林模型的预测精度最优。并且，可以发现在树模型中，随机森林模型比决策树模型的性能更优，证明Bootstrap重抽样方法在建立工程造价预测模型中可以取得有效的优化效果。
最后通过广东某住宅工程作为实际案例导入提出的四种基于广联达数据的预测模型中，其中随机森林算法、BP神经网络算法、支持向量机回归算法误差率分别为3.18%、0.15%、0.01%，均取得不错的预测效果。基于算法精度结果与测试集的评价结果的差异，对比了剔除类似项目的数据样本后建立预测模型中发现，BP神经网络和支持向量机回归算法会由于数据库中的边界样本或重要样本产生变动，使得模型的预测能力也会发生变动，而决策树算法和随机森林算法则不会随着个体样本的变化而造成模型的预测能力大幅度变动。但是当建立模型的数据库中样本与待测样本觉有相似的属性时，BP神经网络和支持向量机回归这两种算法可以表现出高精度的预测能力。