预期结果：

1. 多元线性回归模型分析苏州房价：

通过多元线性回归模型，我们可以分析苏州房价与多个影响因素之间的关系。这些影响因素可能包括：地理位置、交通便利程度、周边设施、房屋面积、建筑年代等。通过建立多元线性回归方程，我们可以预测在给定这些影响因素的情况下，苏州房价的大致水平。

预期结果1：确定影响苏州房价的主要因素，并建立多元线性回归方程。

预期结果2：通过多元线性回归方程，我们可以对苏州房价进行预测，为购房者和投资者提供参考。

2. 支持向量机检验多元线性回归模型：

支持向量机（SVM）是一种监督学习算法，可以用于分类和回归问题。在本研究中，我们将使用SVM来检验多元线性回归模型的预测精度。

预期结果3：将苏州房价的实际数据分为训练集和测试集，训练SVM模型。

预期结果4：使用SVM模型对苏州房价进行预测，并与多元线性回归模型的预测结果进行比较。

预期结果5：评估SVM模型的预测精度，如果SVM模型的预测精度高于多元线性回归模型，说明SVM模型在预测苏州房价方面具有更好的性能。

3. 提高精确度的方法：

根据SVM模型的预测结果，我们可以尝试以下方法来提高预测精度：

预期结果6：对影响苏州房价的因素进行特征选择，剔除对房价预测贡献较小的因素。

预期结果7：对影响苏州房价的因素进行特征工程处理，如归一化、标准化等，以提高模型的预测精度。

预期结果8：尝试使用其他机器学习算法（如决策树、随机森林、神经网络等）替代或与多元线性回归模型和SVM模型结合，以提高预测精度。

预期结果9：收集更多的历史房价数据，以增加训练样本的数量，从而提高模型的预测精度。