Целью данной работы является исследование применения технологии нейронных сетей при подготовке оценки недвижимости.
Столкнувшись с сокращением множественного регрессионного анализа перед лицом динамики рынка недвижимости, в основном из-за неспособности статистических пакетов учитывать больше, чем правила и жесткие математические модели. Прогностическая способность нейронной сети сравнивалась с несколькими моделями регрессии, в результате чего были получены следующие результаты: в задачах прогнозирования нейронные сети и модели множественной регрессии генерируют аналогичные результаты; в то время как для задач классификации нейронные сети работают лучше.
Ключевые слова: искусственный интеллект, нейронная сеть, множественная регрессия, статистика, прогнозирование, классификация, персептрон, обратное распространение, обратное распространение.
применение нейронных сетей к оценке недвижимости1.0 Введение в искусственный интеллект
- Искусственная нейронная сеть (ИНС)
В течение многих лет некоторые исследователи создают модели, имитирующие активность мозга, в попытке создать форму искусственного интеллекта.
РНК состоят из большого количества глубоко связанных между собой процессинговых элементов (нейронов), работающих одновременно для решения конкретных задач. ИНС, как и люди, учатся на собственном опыте.
В любом случае это новая форма вычислений, которая способна обрабатывать неточности и неопределенности, возникающие при решении проблем, связанных с реальным миром, предлагая точные решения, которые легко реализовать.
РНК состоят из множества простых элементов, которые действуют одновременно, конструкция сети в значительной степени определяется связями между ее элементами, имитируя связи нейронов мозга.
1.2 Работа искусственной нейронной сети:
1.2.1 Веса: ИНС могут иметь фиксированные или адаптивные весовые коэффициенты. Те, у кого есть адаптивные веса, используют внутренние законы обучения, чтобы отрегулировать значение силы взаимодействия с другими нейронами; таким образом, чтобы адаптивные веса были важны, если ранее не было известно, какое их правильное значение должно быть.
Для тех программ, которые используют подпрограммы с переменным весом, они будут автоматически определены программой из описания проблемы.
Если нейроны используют фиксированные веса, то их значение или математическое выражение должны быть заранее определены и не будут зависеть от типа данных, которые будут обрабатываться сетью.
1.2.2 Законы обучения: это те законы, которые определяют, как сеть будет корректировать свои веса, используя функцию ошибки или какой-либо другой критерий. Соответствующий закон об обучении или обучении будет определен ИНС в зависимости от характера проблемы, которую она пытается решить.
1.2.3 Типы обучения: Существует два типа обучения или обучения: контролируемое и неконтролируемое. Первый возникает, когда в ИНС передаются как входные, так и выходные данные; таким образом, что сеть корректирует свои веса, пытаясь минимизировать вычисленную ошибку вывода. Неконтролируемое обучение или обучение происходит, когда ИНС предоставляется только с входными данными, а сеть регулирует свои взаимосвязи исключительно на основе указанных данных и выходных данных самой сети (этот тип обучения не будет использоваться в этой монографии.).
1.2.4 Этапы работы ИНС:
1.2.4.1 Обучение или обучение сети: пользователь предоставляет сети точное количество входных и выходных данных; затем сеть регулирует веса своих соединений или синапсов до тех пор, пока выходной сигнал сети не приблизится к правильному выходу.
1.2.4.2 Восстановление после обучения : сеть представлена набором аналогичных входных и выходных данных, и она просто пересчитывает правильный выход. Следовательно, знание или способность отвечать на ИНС можно найти в используемой функции активации и в значениях ее весов.
1.2.5 Характеристики ИНС:
2.2.5.1 Они не являются алгоритмическими: большая разница в использовании нейронных сетей по сравнению с другими приложениями, такими как множественная регрессия; Он основан на том факте, что РНК не являются алгоритмическими, то есть они не программируются путем принуждения их к выполнению заранее определенной последовательности инструкций. Сами ИНС генерируют свои собственные «правила», чтобы связать ответ на свои входные данные. Учитесь на примерах и на собственных ошибках.
2.2.5.2 Они связывают и обобщают без правил: как это делает человеческий мозг.
2.2.5.3 Им требуется какой-то тип паттерна: РНК не способны распознавать что-либо, к чему не прикреплен какой-либо тип паттерна. Вот почему они не могут предсказать лотерею или скачки, поскольку по определению это случайные процессы.
2.2.5.4 Решение будет зависеть от способа установления связей: так же, как есть несколько способов связать биологические нейроны в нашем мозгу; решение проблемы будет зависеть от топологии ИНС.
2.3 Топологии искусственных нейронных сетей
Есть несколько способов установить соединения в ИНС. Каждый тип обслуживает разные процессы; Вот некоторые из наиболее часто используемых топологий:
- Многослойное обратное распространение перцептрона Хопфилд Кохонен
Из них в этой монографии будут разработаны только топологии многослойного персептрона и обратного распространения, которые наиболее часто используются в программном обеспечении искусственного интеллекта.
2.3.1 Персептрон
На рисунке ниже представлен «искусственный» нейрон, который пытается моделировать поведение биологического нейрона. Здесь тело нейрона представлено как линейный сумматор внешних стимулов, за которым следует нелинейная функция.
Эта функция называется функцией активации и использует сумму внешних стимулов () для определения выходного сигнала нейрона.
Эта модель известна как «персептрон Мак-Каллока-Питтса» и является основой для большинства архитектур ИНС.
Искусственные нейроны используют разные функции активации в зависимости от приложения; иногда это линейные функции и большую часть времени нелинейные. Синаптическая эффективность представлена весовыми коэффициентами взаимосвязи от нейрона i до нейрона j.
Вес () может быть положительным (возбуждение) или отрицательным (торможение). Веса вместе с функциями активации определяют работу нейронной сети.
Если сумма произведения каждого входа на соответствующий вес больше, чем значение функции активации, перцептрон будет активирован.
Тренировка или обучение перцептрона осуществляется посредством дифференциального приращения к каждому из весов: для каждого веса выполняется корректировка для каждого синапса.
Диапазон задач, с которыми может справиться Perceptron, намного шире, чем простые решения и распознавание образов.
2.3.2 Обратное распространение
Персептрон представляет собой отдельный элемент нейронной сети. Если несколько перцептронов объединены в «слой» и соответствующие им входные стимулы (); получится нейронная сеть.
В сети несколько многоуровневых процессоров связаны между собой. Искусственные нейроны в каждом слое не связаны друг с другом; однако: Выход каждого искусственного нейрона в одном слое обеспечивает «вход» для каждого из нейронов следующего слоя. То есть: каждый нейрон будет передавать свой выходной сигнал каждому нейрону следующего слоя. На следующем рисунке показан схематический пример архитектуры нейронной сети этого типа.
Обобщенный алгоритм обучения или обучения для промежуточного или скрытого слоя выглядит следующим образом: он начинается с вычисления значений активации (O) каждого нейрона в соответствии со следующим уравнением:
Куда:
O представляет собой выход (значение активации) каждого нейрона предыдущего слоя
- функция Ферми
соответствует входному значению каждого нейрона в этом слое
выражает Вес, присвоенный связи нейрона предыдущего слоя с нейроном этого слоя.
После того, как все нейроны имеют значение триггера, связанное с шаблоном входных значений (O), алгоритм продолжает искать ошибки в каждом не первом слое или входном нейроне. Термин «ошибка» определяется как разница между выходным значением, оцененным сетью, и входным значением, и это параметр, который указывает степень обучения или обучения ИНС.
Ошибки, обнаруженные для выходных нейронов, должны быть "распространены в обратном направлении" на предыдущий уровень, чтобы их можно было назначить нейронам промежуточных или скрытых слоев, для этого ошибка должна быть минимизирована по всей сети.
Функция, которая минимизирует значение активации или выходного значения каждого нейрона, называется «Ошибка сигнала» (); и выражается как Первая производная от указанной функции:
Этот расчет повторяется для каждого промежуточного или скрытого слоя сети.
После того, как ошибка, связанная с каждой группой нейронов, была вычислена, веса должны быть обновлены, сначала найдя приращение значения, которое каждый вес должен быть изменен (), это достигается путем вычисления:
Где: Увеличение значения веса
Значение активации предыдущего слоя
Ошибка сигнала текущего слоя
Константа C называется "Коэффициент обучения"
Новый вес будет присвоен соотношением:
Таким образом, для каждого запуска РНК вычисляет ошибку в выходном слое; затем распространяется на промежуточные или скрытые слои; немедленно сеть регулирует веса каждого нейрона и пересчитывает новые значения активации или выходных значений каждого нейрона; повторение процедуры до тех пор, пока сумма квадрата ошибки (SCE) не станет очень близкой к нулю:
3.0 Искусственные нейронные сети vs. Методы множественной регрессии
3.1 Предварительные условия
3.1.1 Классический рыночный метод
На протяжении многих лет классическая методология подхода к рынку (Marketing Approach) была основным инструментом профессионального оценщика недвижимости. Эта методология предусматривала принцип оценки: «Подобные объекты недвижимости будут продаваться по аналогичным ценам» и основывались на поиске критериев, сопоставимых или аналогичных объектам недвижимости, оцениваемым на рынке недвижимости.
Пока с методом проблем не возникло; это было легко понять и совершенно справедливо. Однако, когда из-за редкости или неискренности сопоставимых объектов не удавалось получить репрезентативную выборку схожих свойств, использовался процесс исправления или стандартизации указанных ссылок с помощью логико-математических выражений, иногда эмпирических, чтобы «заставить «Справочным данным, чтобы искусственно напоминать объект оценки имущества».
Проблема состоит в наличии факторов субъективности при определении стоимости собственности, вызванных «критериями», используемыми профессиональным оценщиком при применении одного или нескольких поправочных коэффициентов к серии ссылок, которые, очевидно, влияют на точность. расчета стоимости товара.
3.1.2 Методы множественной регрессии
С популяризацией и доступностью персональных компьютеров во второй половине 80-х годов и выпуском статистических пакетов для них профессиональные оценщики получили в свои руки возможность использовать множественные методы регрессии в качестве мощного и новаторского инструмента. инструмент для расчета стоимости товаров.
Затем методы множественной регрессии рассматривались как «усовершенствование рыночной методологии», поскольку сами эталоны «самокорректируют» друг друга, без необходимости использования субъективных критериев профессиональным оценщиком.
Хотя теоретически методы множественной регрессии были решением проблем субъективности, с которыми столкнулся классический рыночный метод; Для того чтобы множественная регрессия приблизилась к реальной стоимости, необходимо, чтобы эталонный ряд соответствовал ряду требований, главным из которых является неискренность значений стоимости собственности, заявленных в операциях купли-продажи в нотариусах и государственных реестрах., Однако есть и другие проблемы, не менее важные, чем вышеупомянутые, такие как неточность множественного регрессионного анализа в отношении динамики рынка недвижимости, вызванная, главным образом, неспособностью статистических пакетов учитывать что-то большее, чем правила и жесткие математические модели. и неточность в обработке качественных / категориальных переменных в моделях линейной множественной регрессии.
- Цель этой монографии
Целью данной работы является исследование применения технологии искусственных нейронных сетей при разработке оценок недвижимости для сравнения прогностической способности ИНС с множественными регрессионными моделями; Чтобы предоставить оценщикам инновационный инструмент, основанный на искусственном интеллекте, для определения стоимости активов и преодоления неудобств, связанных с множеством регрессионных моделей.
4.0 Теоретические основы монографии
4.1 Нейронные сети vs. Модели регрессии
4.1.1 Введение
Доктора Альфонсо Питарке, Хуан Франсиско Рой и Хуан Карлос Руис, профессора факультета психологии Университета Валенсии; исследовал сравнение методов моделирования искусственной нейронной сети со статистическими моделями в задачах прогнозирования и классификации.
В качестве инструментов прогнозирования или классификации ИНС были концептуализированы как «непараметрические» статистические методы, поскольку они свободны от выполнения теоретических предположений параметрической статистики или они также концептуализированы как «методы нелинейной регрессии».
Проблема возникает, когда противоречивые или несходные результаты обнаруживаются при определении: какие модели более эффективны при решении конкретных задач прогнозирования или классификации?
Хотя ИНС способны связывать любой входной шаблон с любым выходным шаблоном, их производительность будет зависеть от эвристической настройки множества параметров (весов, значения активации, ошибки сигнала, функции активации, обратного распространения ошибок и т. Д. количество слоев, коэффициент обучения и т. д., описанные ранее). Настройки, не всегда гарантирующие желаемое решение; в дополнение к его структуре «черного ящика», которая характеризует этот тип модели.
4.1.2 Анализ и заключение результатов
- Благоприятно для методов множественной регрессии:
- а) Только для задач количественного прогнозирования и в идеальных условиях применимости; процедура множественной линейной регрессии дает лучшие результаты, чем РНК.
- Для остальных случаев в задачах количественного прогнозирования различий между ИНС и регрессионными моделями не обнаружено.
4.1.2.2 Благоприятно для ИНС:
- Большим преимуществом использования ИНС перед статистическими моделями является то, что ИНС могут принимать в качестве входных переменных: Смешанные наборы количественных и качественных переменных. В задачах классификации ИНС генерируют гораздо более точные результаты, чем регрессионные модели. множественная логистика. В задачах прогнозирования или оценки ИНС и несколько моделей линейной регрессии дают аналогичные результаты.
4.1.2.3 Неблагоприятно для ИНС:
- Из-за того, что ИНС является «черным ящиком», она не дает явной информации об относительной важности различных предикторов.Обучение ИНС - это метод проб и ошибок; поэтому качество решений, предоставляемых ИНС, не всегда может быть гарантировано.
4.2 Сравнение нейронных сетей и подходов множественной регрессии: приложение для оценки жилого фонда в Финляндии
4.2.1 Введение
Ольга Каракозова, магистр наук, в диссертации на соискание степени магистра в Шведской академии экономики и делового администрирования от октября 2000 г.; представил исследование для определения достоинств применения методов RNA для решения проблем, связанных с оценкой жилой недвижимости; по сравнению с моделями множественной регрессии, примененными к рынку недвижимости столичного региона Хельсинки за 1998 год.
4.2.2 Используемый метод
Для этого исследования Каракозова использовала шесть (6) моделей искусственной нейронной сети и четыре (4) модели множественной регрессии.
Указанные модели были применены к трем (3) рядам данных: первая - с использованием полных данных о домах в столичном районе Хельсинки. Для второй серии набор данных был ограничен включением только жилых домов в пределах города Хельсинки, а для третьей серии данные были дополнительно ограничены, чтобы включать только однородные жилища в пределах города Хельсинки.
4.2.3 Результаты
Исследование дало следующий результат: модели искусственной нейронной сети превзошли модели множественной регрессии для каждой из изученных серий данных. Однако только очень небольшая разница между ИНС и методами множественной регрессии наблюдалась в случае серии однородных домов в Хельсинки.
4.2.4 Заключение результатов
- В задачах прогнозирования ИНС с небольшим отрывом превосходят методы множественной регрессии. Для разнородных рядов данных ИНС превосходят методы множественной регрессии. ИНС удовлетворяют необходимым критериям для методов массовой оценки жилья. ИНС - больше, чем замена к эконометрическому анализу, являются дополнением к тому же
4.3. Анализ влияния возраста на ценность домов посредством анализа искусственных нейронных сетей.
4.3.1 Введение
Профессор А. Куанг До, факультет финансов Школы делового администрирования Государственного университета Сан-Диего, и профессор Г. Грудницкий, факультет бухгалтерского учета Школы делового администрирования Государственного университета Сан-Диего, Декабрь 1992 г.; представили исследование, в котором продемонстрировали, что использование РНК позволяет преодолеть проблемы, связанные с использованием методов множественной регрессии, таких как мультиколлинеарность, гетероседастичность и т. д.
4.3.2 Описание проблемы
Исследование профессоров Куанг и Грудницкий было основано на изучении взаимосвязи, существующей между возрастом собственности (дома) и ее рыночной стоимостью.
Используя статистические методы множественной регрессии, было определено, что возраст объекта обратно пропорционален его стоимости на протяжении всего срока его полезного использования.
Однако было показано, что используемый метод (множественная регрессия) генерирует значительные ошибки. Эта неточность усугубляется проблемами, присущими методам множественной регрессии, такими как взаимодействие между переменными, переменные нелинейного поведения, проблемы мультиколлинеарности между независимыми переменными, проблемы гетероседастичности и т. Д.
ИНС имеют особенность очень хорошо приспосабливаться к решению проблем, связанных с распознаванием схем, классификацией качественных или категориальных переменных; и они соответствуют нелинейным методам. Следовательно, РНК обладают способностью обеспечивать очень точное приближение к широкому классу нелинейных функций.
Причина успеха ИНС над методами регрессии заключается в способе определения их функции активации. В то время как в методах множественной регрессии функция активации указывается заранее независимо от данных; ИНС самостоятельно определяют свою функцию активации путем «точной настройки» параметров, которые позволяют наилучшим образом соответствовать данным.
4.3.1 Используемый метод
В период с января по сентябрь 1991 года на юго-западе города Сан-Диего (Калифорния, США) была взята выборка из 242 односемейных домов (домов), при этом указанные данные принадлежали аналогичным районам. Были выбраны следующие независимые переменные:
- Возраст помещений и санузлов (1/4 санузла = 1) Площадь застройки постов пожарных депо в районе этажей Площадь земельного участка
4.3.2 Результаты и выводы
- Был сделан вывод, что «Возраст» собственности обратно пропорционален его «Ценности» только в течение первых 16–20 лет его полезного срока службы. По истечении этого периода времени переменные «Возраст» и «Стоимость» проходят быть связаны прямо пропорциональным образом. c) Продемонстрировать таким образом, что использование методов РНК исправило проблему гетероседастичности, присутствующую в модели линейной регрессии, которая ошибочно определила, что переменные «Возраст» и «Ценность» были обратно пропорциональны на протяжении всего срока службы дома.
5.0. Сравнительный пример методов множественной регрессии и искусственных нейронных сетей для определения цены за единицу квартиры в городе Пампатар (Венесуэла).
5.1 Выбор данных
Данные, использованные в этом примере сравнения между методами ИНС и множественной регрессией, соответствуют выборке из девяноста одной (91) транзакции купли-продажи квартир в городе Пампатар, протоколируемой в течение четвертого квартала 2001 года., Пампатар - город, расположенный на острове Маргарита, в настоящее время Пампатар физически связан с городом Порламар (главный город острова). Состояние «Свободного порта» острова Маргарита вместе с природными красотами этой части Карибского моря; Это излюбленное туристическое направление как жителей Венесуэлы, так и иностранных туристов.
Пампатар разделен на два основных типа домов: односемейные, в основном предназначенные для людей, живущих на острове, и многосемейные (апартаменты и таунхаусы), в основном предназначенные для использования в качестве домов для отдыха или вторых домов.
5.2 Характеристики серии:
5.2.1 Описание данных для применения методов множественной регрессии
Пояснительные примечания к множественной регрессии:
(1) Независимая переменная ВОЗРАСТ определяется как дата протоколирования Документа о кондоминиуме здания, в котором находится ссылка.
(2) Независимая переменная ПРОДАЖА определяется как набор дихотомических данных в форме ПРОДАЖА = 0 соответствует продаже бывшей в употреблении квартиры. SALE = 1 соответствует продаже новой квартиры.
(3) Независимая переменная VISTA определяется как дихотомический набор данных в форме VISTA = 0, соответствующий продаже квартиры без вида на океан. VIEW = 1 соответствует продаже квартиры с видом на море.
(4) Зависимая переменная PU определяется как справочная цена за единицу и является результатом отношения между продажной ценой и ее площадью.
5.2.2 Описание данных для применения методов искусственных нейронных сетей (ИНС)
Пояснительная записка к ИНС:
(5) Независимая переменная PRIM определяется как дихотомическая переменная вида PRIM = = 0, соответствующая продаже бывшей в употреблении квартиры. PRIM = 1 соответствует продаже новой квартиры.
(6) Независимая переменная SEC определяется как дихотомическая переменная вида SEC = 1, соответствующая продаже бывшей в употреблении квартиры. SEC = 0 соответствует продаже новой квартиры.
(7) Независимая переменная CON_VIS определяется как дихотомическая переменная вида CON_VIS = 1, соответствующая продаже квартиры с видом на океан. CON_VIS = 0 соответствует продаже квартиры без вида на море.
(8) Независимая переменная SIN_VIS определяется как дихотомическая переменная вида SIN_VIS = 1, соответствующая продаже квартиры без вида на море. SIN_VIS = 0 соответствует продаже квартиры с видом на море.
5.3 Применение метода множественной регрессии
Для расчета линейной модели, которая наилучшим образом соответствует ряду данных (Квартиры в Пампатаре), использовалась электронная таблица Microsoft Excel.
5.3.1 Программный вывод (множественная линейная корреляция):
Коэффициент детерминации: 0,754409
F-статистика: 36.422931
Степени свободы: 83
Независимые переменные: 7
Тест F (Fo):> 2,36
Стандартная ошибка корреляции: 139,558.944842
SCR: 4.965789 E +12
SCE: 1.616566 E +12
5.3.2 Анализ корреляционной матрицы:
Наблюдения к матрице:
- Ни один из коэффициентов корреляции независимых переменных не указывает на сильную корреляцию (> 0,75). Между независимыми переменными нет проблем с мультиколлинеарностью.
5.3.3 Анализ отходов:
5.3.4 Определение цены за единицу основного имущества
Была определена цена за единицу «стандартной недвижимости», представляющую серию из 91 эталонных единиц, соответствующих квартирам в городе Пампатар:
Дата «Аттестации» X1 = 11 апреля 2002 г.
Площадь квартиры X2 = 80,97
Комнат X3 = 2
Ванные комнаты X4 = 2
Дата документа
кондоминиума X5 = 06-окт-1996
Тип продажи X6 = 0 (бывшая квартира)
Вид на океан X7 = 0 (без вида на океан)
Цена за единицу Y = 420 503,52
5.4 Применение техники искусственной нейронной сети (ИНС)
5.4.1 Описание используемого программного обеспечения
Для использования методов искусственного интеллекта использовалось программное обеспечение «Ainet». Эта программа основана на искусственных нейронных сетях с многослойной топологией сети персептронов с обратным распространением ошибок.
Это приложение является одним из простейших инструментов для решения задач, требующих использования искусственных нейронных сетей (ИНС) для достижения результата.
Алгоритм, используемый Ainet, не требует обучения или фазы обучения ИНС; и результат генерируется сразу, обеспечивая высокую скорость решения этого типа проблем.
Алгоритм «Ainet» также не требует указания начальных «весов»; просто коэффициент, называемый «штрафной коэффициент», управляет изменчивостью распределения весов. Это также не требует указания количества промежуточных или скрытых слоев перцептронов или определения связей между нейронами.
Кроме того, пользовательский интерфейс очень прост в эксплуатации, данные вводятся и уходят с помощью простого «копирования и вставки», очень похожего на электронную таблицу.
Однако программное обеспечение «Ainet» страдает от часто используемых статистических оценок, таких как коэффициент детерминации. По своему алгоритму больше похож на звуковую схему; «Ainet» генерирует в качестве основного показателя качества соответствия статистику RMS (среднеквадратичный корень ошибки). Следовательно, чтобы иметь возможность сравнивать ИНС с Множественной линейной регрессией, статистический остаток, коэффициент детерминации, SCE, SCR, SCT и F были рассчитаны вручную с помощью «Прогноза» (вычислено Y) каждого ссылочного значения. по программе.
5.4.2 Характеристика нейронной сети:
Тип: MLBP
Входные переменные (9): DATE
ПЛОЩАДЬ
НАВ
ВАННЫЕ
ВОЗРАСТ
PRIM
SEC
CON_VIS
SIN_VIS
Выходные переменные (1): PU
5.4.2 Прогноз цены за единицу (PU) «стандартной недвижимости» с помощью RNA
Программа «Ainet» после запуска серии, соответствующей 91 квартире в городе Пампатар, использовала 9 входных переменных (5 количественных и 4 дихотомических) и одну (1) выходную переменную (PU) в многослойной сети персептронов с Обратное распространение ошибки; прогнозируется как стоимость единицы «Мастер-квартиры»:
Дата «оценки» ДАТА Запись № 1 = 11 апреля 2002 г.
Площадь квартиры ПЛОЩАДЬ Вход № 2 = 80,97 Количественный
Комнаты ROOM Entry # 3 = 2 Количественный
Ванные комнаты Ванные комнаты Запись № 4 = 2 Количественный
Дата документа
кондоминиума AGE Запись № 5 = 06 октября 1996 г.
Тип продажи PRIM Запись # 6 = 1 Дихотомическая
SEC Entry # 7 = 0 Дихотомический
Вид на океан CON_VIS, запись № 8 = 1 дихотомическая
SIN_VIS Запись № 9 = 0 Дихотомия
Цена за единицу продукции ЕЕ # 1 = 492 849,94 Количественный
5.4.3 Анализ статистики управления
SCR = 6,16633E + 12
SCE = 4.39901E + 11
SCT = 6.58236E + 12
Коэффициент детерминации = 0,936797335
к = 9
n = 91
Степени свободы = 81
Fo = <2,24
F = 126,1578518
6.0 Выводы и рекомендации
6.1 Сравнение решений двух (2) методов
При сравнении результатов применения методов множественной линейной регрессии и искусственной нейронной сети (ИНС) на одних и тех же данных, получается следующий результат:
Где особенно выделяется тот факт, что методы РНК лучше объясняют поведение явления: «Стоимость единицы квартиры в городе Пампатар».
6.2 Выводы
- Методы РНК объясняют поведение статистических явлений намного лучше, чем методы множественной регрессии, в случае нелинейного поведения ряда данных. Результаты докторов Альфонсо Питарке, Хуана Франсиско Роя и Хуана Карлоса проверены. Руис, профессора факультета психологии Университета Валенсии, о:
- Большим преимуществом использования ИНС перед статистическими моделями является то, что ИНС могут принимать в качестве входных переменных: Смешанные наборы количественных и качественных переменных. В задачах классификации ИНС генерируют гораздо более точные результаты, чем регрессионные модели. множественная логистика.
- Ainet (Turbajeva 42 SI-3000 Celje. Slovenia. Www.ainet-sp.si) BrainMaker Neural Networks (California Scientific Software 10024 Newtown Rd. Nevada City. California 95959. USA www.calsci.com)
- Phytia - The Neural Network Designer (Runtime Software, США)
- Easy NN (С. Волстенхолм, Чешир, Великобритания www.easynn.com) Pathfinder: надстройка MS-Excel. Система нейронных сетей (Z Solutions, Атланта, США www.zsolutions.com)
Хотя все они различаются по интерфейсу, более или менее генерируют одинаковую информацию. Некоторые из них более сложны, чем другие, с точки зрения обработки, работы и интерпретации результатов. Но все согласны с тем, что адаптировать их как простой инструмент анализа для использования оценщиками без базовых знаний об искусственном интеллекте и ИНС обременительно.
16-Апрель-2002
Библиография
ADAIR A. и MCGREAL W. (1988) "Компьютерная оценка жилой недвижимости". Журнал: The Real Estate Appraisall and Analyst. Издание зимы 1988 г. Стр. 18-21. Соединенные Штаты Америки
BORST R. (1991) "Искусственные нейронные сети: новая технология моделирования / калибровки для оценочного сообщества". Журнал: Журнал налогообложения имущества. Том 10. стр. 69-94. Соединенные Штаты Америки
Черкасск В., Фридман Дж. И Векслер И. (1994) «От статистики к нейронной сети». Springer-Velag. Берлин
КРОАЛЛ Л. и КОЭН П. (1983) «Промышленные приложения нейронных сетей». Springer-Velag. Нью-Йорк.
HECHT-NIELSEN R. (1990) «Нейрокомпьютинг». Addison-Wesley. Калифорния.
HERTA J., KROGH A. и PALMER R. (1991) «Введение в теорию нейронных вычислений». Addison-Wesley. Калифорния.
HAYNES J. и TAN C. (?) «Имитатор цен на недвижимость с искусственной нейронной сетью». Школа информационных технологий. Бондский университет. Австрия.
ХИЛЕРА Дж. И МАРТИНЕС В. (1995) «Искусственные нейронные сети: основы, модели и приложения». Филиал. Мадрид.
КАРАКОЗОВА О. (2000) «Сравнение нейросетевого и множественного регрессионных подходов: приложение к оценке жилой недвижимости в Финдленде». Магистерская работа: Шведская школа экономики и делового администрирования. Швеция.
КВАНГ А. и ГРУДНИСКИ Г. (1992) «Нейросетевой подход к оценке жилой недвижимости». Журнал: Оценка недвижимости. Vol 58. No. 3 December 1992. pp: 38-45. Соединенные Штаты Америки
КВАНГ А. и ГРУДНИСКИ Г. (1993) «Нейросетевой анализ влияния возраста на стоимость жилья». Журнал: Журнал исследований недвижимости. Том 8. No. 2 Primavers 1993. pp: 253-264. Соединенные Штаты Америки
ПИОЛ Р. (1989–2002) «Статистические методы, применяемые к оценке недвижимости». SOITAVE. Каракас.
PITARQUE A., ROY J. и RUIZ J (1998) «Нейронные сети vs. Статистические модели: моделирование задач прогнозирования и классификации ». Университет Валенсии. Испания.
СМИТ М. (1993) "Нейронная сеть для статистического моделирования". Ван-ИЛ-Reinhold. Нью-Йорк.
РАЗЛИЧНЫЕ АВТОРЫ (2000) «Искусственные нейронные сети». Интернет TREC. Доступ:
ФОН ДЕР БЕКЕ К. (1998) «Глоссарий Карлоса фон дер Беке». Доступ:
УОКЕР Р. (2000) "Фундаментальная оценка нейронной сети". Доступ:
ВАСЕРМАН П. (1989) "Нейронные вычисления: теория и практика". Ван-ИЛ-Reinhold. Нью-Йорк.
Чтобы получить Выход (O) первого слоя искусственных нейронов, он заменяется входными стимулами (), оставляя уравнение вида:
Функция Ферми выражается как: и графически представлена в виде сигмоида в пространстве (или в гиперпространстве, в зависимости от случая).
Дихотомические переменные (такие как «С видом на море» = 1 или «Без вида на море» = 0) являются примером качественной / категориальной переменной, иллюстрирующей эту проблему. Поскольку качественная и дихотомическая переменная "Вид на море" не является линейной, в сочетании с другими количественными переменными (такими как площадь строительства, возраст собственности и т. Д.) В модели множественной линейной регрессии маловероятно, что она даст оценку или правильно спрогнозировать переменную «Цена за единицу» на основе упомянутых смешанных переменных.
Когда используются количественные (числовые) переменные, это определяется как «методы прогнозирования или оценки»; когда используются качественные или категориальные переменные, это определяется как «методы классификации».
Microsoft Excel является частью пакета Microsoft Office 2000 и соответствует пакету общего назначения, который имеет полный статистический анализ, а также другие функции.
При вводе данных программное обеспечение автоматически вычисляет и оптимизирует как количество скрытых слоев, так и связи между «искусственными нейронами», необходимые для получения результата.
Многослойный персептрон с обратным распространением ошибок.
Рассчитано вручную через электронную таблицу MS-Excel
В случае множественной регрессии, переменные «Продажа» и «Просмотр»: они считаются «категориальными», но не «дихотомическими» (даже если входные данные этой переменной равны 0 и 1).
Разница между количеством независимых переменных множественной регрессии и ИНС обусловлена форматом ввода переменных «Продажа» и «Просмотр». Программное обеспечение РНК рассматривает каждую переменную как входной «искусственный нейрон»; поэтому они требуют дифференциации дихотомических переменных «Продажа» (в: PRIM - SEC) и «Просмотр» (в: CON_VIS - SIN_VIS), чтобы иметь возможность ввести их в систему.91
Сам факт наличия смеси количественных и дихотомических переменных в серии данных обязательно указывает на нелинейное поведение модели. Дихотомические переменные не являются линейными, поскольку имеют вид:
Загрузите исходный файл
