Bu çalışmanın amacı, Emlak Değerlemelerinin hazırlanmasında sinir ağı teknolojisinin uygulanmasının araştırılmasıdır.
Esas olarak istatistiksel paketlerin kurallardan ve katı matematiksel modellerden daha fazlasını dikkate alamamasından kaynaklanan emlak piyasasının dinamiklerine ilişkin çoklu regresyon analizlerinin düşüşüyle karşı karşıya kalmıştır. Bir sinir ağının tahmin yeteneği, birden çok regresyon modeliyle karşılaştırıldı ve şu sonuç elde edildi: Tahmin görevlerinde, sinir ağları ve çoklu regresyon modelleri benzer sonuçlar üretir; sınıflandırma görevleri için sinir ağları daha iyi performans gösterir.
Anahtar Kelimeler: yapay zeka, sinir ağı, çoklu regresyon, istatistik, tahmin, sınıflandırma, algılayıcı, geri yayılma, geri yayılma
gayrimenkul değerleme için uygulanan sinir ağları1.0 Yapay Zekaya Giriş
- Yapay Sinir Ağı (YSA)
Yıllardır bazı araştırmacılar, bir tür yapay zeka üretme çabasıyla beyin aktivitesini simüle eden modeller yaratıyorlar.
RNA'lar, belirli problemleri çözmek için eşzamanlı olarak çalışan çok sayıda birbiriyle derinlemesine bağlantılı işlem elemanlarından (Nöronlar) oluşur. YSA'lar da tıpkı insanlar gibi deneyimlerden öğrenirler.
Her halükarda, gerçek dünya ile ilgili problemleri çözme söz konusu olduğunda ortaya çıkan yanlışlıkları ve belirsizlikleri idare edebilen, hassas ve uygulaması kolay çözümler sunan yeni bir bilgi işlem biçimidir.
RNA'lar eşzamanlı olarak çalışan birçok basit unsurdan oluşur, ağın tasarımı büyük ölçüde öğeleri arasındaki bağlantılar tarafından belirlenir ve böylece beyin nöronlarının bağlantılarını simüle eder.
1.2 Yapay Sinir Ağının Çalışması:
1.2.1 Ağırlıklar: YSA'lar sabit veya uyarlanabilir ağırlık faktörlerine sahip olabilir. Uyarlanabilir ağırlıklara sahip olanlar, diğer nöronlarla ara bağlantı kuvvetinin değerini ayarlamak için iç öğrenme yasalarını kullanır; Öyle ki, daha önceden doğru değerlerinin ne olması gerektiği bilinmiyorsa uyarlanabilir ağırlıklar elzemdir.
Değişken ağırlık rutinleri kullanan yazılımlar için, problemin açıklamasından program tarafından otomatik olarak belirlenecektir.
Nöronlar sabit ağırlıklar kullanıyorsa, değerleri veya matematiksel ifadeleri önceden tanımlanmalıdır ve ağ tarafından işlenecek veri türünden bağımsız olacaktır.
1.2.2 Öğrenme Yasaları: Ağın ağırlıklarını bir hata fonksiyonu veya başka bir kriter kullanarak nasıl ayarlayacağını belirleyen yasalardır. Uygun öğrenme veya eğitim yasası, çözmeye çalıştığı sorunun niteliğine göre YSA tarafından belirlenecektir.
1.2.3 Öğrenme Türleri: İki tür öğrenme veya eğitim vardır: Denetimli ve Denetimsiz. Birincisi, hem giriş hem de çıkış verileri YSA'ya sağlandığında meydana gelir; ağ, hesaplanan çıktı hatasını en aza indirmeye çalışırken ağırlıklarını ayarlayacak şekilde. Denetimsiz öğrenme veya eğitim, YSA yalnızca girdi Verileri ile sağlandığında ve ağ ara bağlantılarını yalnızca söz konusu verilere ve ağın kendi çıktısına göre ayarladığında gerçekleşir (bu tür eğitim bu monografi için kullanılmayacaktır).).
1.2.4 YSA'nın Çalışma Aşamaları:
1.2.4.1 Ağ Eğitimi veya Öğrenimi: Kullanıcı, ağa kesin sayıda girdi ve çıktı verisi sağlar; ağ daha sonra, ağ çıkışı doğru çıkışa yaklaşana kadar ara bağlantı veya sinaps ağırlıklarını ayarlar.
1.2.4.2 Öğrenilenlerin geri getirilmesi: Ağ, bir dizi benzer girdi ve çıktı verisiyle sunulur ve basitçe doğru çıktıyı yeniden hesaplar. Bu nedenle, bir YSA'ya yanıt verme bilgisi veya yeteneği, kullanılan Aktivasyon Fonksiyonunda ve Ağırlıklarının değerlerinde bulunur.
1.2.5 YSA'nın Özellikleri:
2.2.5.1 Algoritmik değildirler: Çoklu Regresyon gibi diğer uygulamalarla ilişkili olarak sinir ağlarının kullanımındaki büyük fark; RNA'ların algoritmik olmadığı, yani onları önceden tanımlanmış bir talimat dizisini izlemeye zorlayarak programlanmadıkları gerçeğine dayanır. YSA'lar, bir yanıtı girdileriyle ilişkilendirmek için kendi "kurallarını" kendileri oluşturur. Örneklerden ve kendi hatalarınızdan öğrenin.
2.2.5.2 Kurallar olmadan ilişkilendirir ve genellerler : Tıpkı insan beyninin yaptığı gibi
2.2.5.3 Bir tür model gerektirirler: RNA'lar, ekli bir model türü olmayan herhangi bir şeyi tanıyamazlar. Bu nedenle, bunlar rastgele süreçler oldukları için piyango veya at yarışlarını tahmin edemezler.
2.2.5.4 Çözüm, bağlantıları kurma yoluna bağlı olacaktır: Tıpkı beynimizdeki biyolojik nöronları birbirine bağlamanın birkaç yolu olduğu gibi; bir problemin çözümü YSA'nın topolojisine göre değişecektir.
2.3 Yapay Sinir Ağlarının Topolojileri
Bir YSA'da bağlantı kurmanın birkaç yolu vardır. Her tür farklı süreçlere hizmet eder; en sık kullanılan topolojilerden bazıları şunlardır:
- Çok Katmanlı Algılayıcı Geri Yayılım Hopfield Kohonen
Bunlardan yalnızca Yapay Zeka yazılımında en yaygın olarak kullanılan Çok Katmanlı Algılayıcı ve Geri Yayılım Topolojileri bu monografta geliştirilecektir.
2.3.1 Algılayıcı
Aşağıdaki şekil, biyolojik bir nöronun davranışını modellemeye çalışan "yapay" bir nöronu temsil etmektedir. Burada nöronun gövdesi, dış uyaranların doğrusal bir toplayıcısı ve ardından doğrusal olmayan bir işlev olarak temsil edilir.
Fonksiyon, Aktivasyon Fonksiyonu olarak adlandırılır ve nöronun çıktısını belirlemek için harici uyaranların toplamını () kullanır.
Bu model "McCulloch-Pitts Perceptron" olarak bilinir ve çoğu YSA mimarisinin temelini oluşturur.
Yapay nöronlar, uygulamaya bağlı olarak farklı aktivasyon fonksiyonları kullanır; bazen bunlar doğrusal fonksiyonlardır ve çoğu zaman doğrusal değildir. Sinaptik verimlilik, nöron i'den nöron j'ye kadar ara bağlantı ağırlık faktörleri ile temsil edilir.
Ağırlıklar () pozitif (uyarma) veya negatif (inhibisyon) olabilir. Aktivasyon Fonksiyonları ile birlikte ağırlıklar, sinir ağının çalışmasını belirler.
Karşılık gelen ağırlığa göre her girdinin ürününün toplamı, aktivasyon fonksiyonunun değerinden büyükse, algılayıcı etkinleştirilecektir.
Bir algılayıcının eğitimi veya öğrenimi, ağırlıkların her birine farklı bir artışla gerçekleştirilir: Her ağırlık için her sinaps için bir ayarlama yapılır.
Perceptron'un üstesinden gelebileceği görev yelpazesi, basit kararlar ve örüntü tanımadan çok daha fazladır.
2.3.2 Geri yayılım
Algılayıcı, bir sinir ağının tek bir unsurunu temsil eder. Birkaç algılayıcı bir "katman" ve bunlara karşılık gelen girdi uyaranları () içinde birleştirilirse; bir sinir ağı elde edilecektir.
Ağda, birkaç katmanlı işlem birimi birbirine bağlıdır. Her katmandaki yapay nöronlar birbiriyle bağlantılı değildir; ancak: Bir katmandaki her bir yapay nöronun çıktısı, bir sonraki katmandaki nöronların her birine "girdi" sağlar. Yani: Her nöron çıkış sinyalini bir sonraki katmandaki her bir nörona iletecektir. Aşağıdaki şekil, bu tür bir sinir ağının mimarisinin şematik bir örneğini göstermektedir.
Bir ara veya gizli katman için genelleştirilmiş öğrenme veya eğitim algoritması aşağıdaki gibidir: Aşağıdaki denkleme göre her bir nöronun Aktivasyon Değerlerini (O) hesaplayarak başlar:
Nerede:
O, önceki katmanın her nöronunun çıktısını (Aktivasyon Değeri) temsil eder
Fermi işlevi
bu katmandaki her bir nöronun giriş değerine karşılık gelir
Bir önceki katmanın nöronunun bu katmanın nöronu ile bağlantısına atanan Ağırlığı ifade eder.
Tüm nöronlar, bir girdi değerleri (O) örüntüsü ile ilişkili bir tetikleme değerine sahip olduktan sonra, algoritma, her birinci olmayan katmandaki veya girdi nöronundaki hataları aramaya devam eder. "Hata" terimi, ağ tarafından tahmin edilen çıktı değeri ile girdi değeri arasındaki fark olarak tanımlanır ve YSA'nın eğitim veya öğrenme derecesini gösteren bir parametredir.
Çıkış nöronları için bulunan hatalar, ara veya gizli katmanların nöronlarına atanabilmeleri için önceki katmana "Geri yayılmış" olmalıdır, bunun için hatanın ağ boyunca en aza indirilmesi gerekir.
Her nöronun Aktivasyonunu veya Çıktı Değerini en aza indiren fonksiyona "Sinyal Hatası" () denir; ve adı geçen fonksiyonun İlk Türevi olarak ifade edilir:
Bu hesaplama, ağın her bir ara veya gizli katmanı için tekrarlanır.
Her nöron grubu ile ilişkili hata hesaplandıktan sonra, ağırlıklar güncellenmeli, önce her bir ağırlığın değiştirilmesi gereken değer artışını bulmalı (), bu, hesaplanarak elde edilir:
Nerede: Ağırlık değerinde artış
Önceki katmanın aktivasyon değeri
Mevcut katman sinyal hatası
C Sabiti "Öğrenme Oranı" olarak adlandırılır
Yeni ağırlık, ilişki tarafından verilecektir:
Özetle, her çalışma için RNA çıktı katmanındaki hatayı hesaplar; sonra onu ara veya gizli katmanlara yayar; ağ hemen her nöronun ağırlığını ayarlar ve her nöronun yeni Aktivasyon veya Çıktı Değerlerini yeniden hesaplar; Hata Karesinin Toplamı (SCE) sıfıra çok yakın olana kadar prosedürü tekrarlamak:
3.0 Yapay Sinir Ağları vs. Çoklu Regresyon Teknikleri
3.1 Ön Bilgiler
3.1.1 Klasik Pazar Yöntemi
Uzun yıllar boyunca, Piyasaya Yaklaşımın klasik metodolojisi (Pazarlama Yaklaşımı), profesyonel gayrimenkul değerleme uzmanının ana aracıydı. Bu metodoloji, değerleme ilkesini tasarladı: "Benzer mülkler benzer fiyatlardan satılacaktır" ve emlak piyasasında değerlemesi yapılan gayrimenkulle karşılaştırılabilir veya benzer kriterler arayışına dayanıyordu.
Şu ana kadar yöntemle ilgili herhangi bir sorun yoktu; kolayca anlaşıldı ve tamamen geçerliydi. Bununla birlikte, benzer özelliklerin kıtlığı veya samimiyetsizliği nedeniyle, benzer özelliklerin temsili bir örneklemini elde etmek mümkün olmadığında, söz konusu referansların düzeltilmesi veya standartlaştırılması işlemine, mantıksal-matematiksel ifadeler kullanılarak, bazen deneysel, "zorlama" amacıyla başvurulmuştur. "Değerleme işleminin özellik nesnesine yapay olarak benzemek için referans verilere.
Sorun, bir mülkün değerini belirlemede, profesyonel değerleme uzmanının bir dizi referansa bir veya daha fazla düzeltme faktörünü uygularken kullandığı ve açıkça doğruluğu etkileyen "kriterlerin" neden olduğu öznellik faktörlerinin varlığından oluşur. malın değerinin hesaplanması.
3.1.2 Çoklu Regresyon Teknikleri
Seksenlerin ikinci yarısında kişisel bilgisayarların yaygınlaşması ve erişilebilirliği ve onlar için istatistiksel paketlerin yayınlanmasıyla, profesyonel değerleme uzmanları, güçlü ve yenilikçi bir bilgisayar olarak çoklu regresyon tekniklerini kullanma imkanına sahipti. malların değerini hesaplamak için bir araç.
Daha sonra çoklu regresyon teknikleri, "piyasa metodolojisinin iyileştirilmesi" olarak kabul edildi, çünkü kıyaslama ölçütleri, profesyonel değerleme uzmanının öznel kriterleri kullanmaya gerek kalmadan birbirlerini "kendi kendine düzeltir".
Teoride, klasik piyasa yönteminin maruz kaldığı öznellik sorunlarının çözümü çoklu regresyon teknikleri olsa da; Çoklu regresyonun gerçek bir değere yakınsaması için, referans serisinin bir dizi şartı yerine getirmesi gerekiyordu, bunlardan en önemlisi, noterler ve resmi kayıtlarda alım-satım işlemlerinde beyan edilen mülklerin değerlerinin samimiyetsizliğiydi..
Bununla birlikte, gayrimenkul piyasasının dinamiklerine ilişkin çoklu regresyon analizlerinin yanlışlığı gibi, yukarıda belirtilenler kadar önemli başka sorunlar da vardır; bu, esas olarak istatistiksel paketlerin kurallardan ve katı matematiksel modellerden daha fazlasını dikkate alamamasından kaynaklanmaktadır. ve doğrusal çoklu regresyon modellerinde nitel / kategorik değişkenlerin işlenmesindeki yanlışlık.
- Bu Monografın Amacı
Bu çalışmanın amacı, YSA'nın öngörü yeteneğini çoklu regresyon modelleriyle karşılaştırmak için Gayrimenkul Değerlemelerinin detaylandırılmasında yapay sinir ağı teknolojisinin uygulanmasını araştırmaktır; Değerleme uzmanlarına Yapay Zekaya dayalı yenilikçi bir araç sunmak, malların değerini belirlemek ve çoklu regresyon modellerinin yarattığı rahatsızlıkların üstesinden gelmek için.
4.0 Bu Monografın Teorik Temelleri
4.1 Sinir Ağları vs. Regresyon modelleri
4.1.1 Giriş
Valencia Üniversitesi Psikoloji Fakültesi'nde profesörler olan doktorlar Alfonso Pitarque, Juan Francisco Roy ve Juan Carlos Ruiz; Yapay Sinir Ağı simülasyon teknikleri ile istatistiksel modellerin tahmin ve sınıflandırma görevlerinde karşılaştırılmasını araştırdı.
Tahmin veya Sınıflandırma araçları olarak YSA'lar, parametrik istatistiğin teorik varsayımlarına uymadıkları için "parametrik olmayan" istatistiksel teknikler olarak kavramsallaştırılmış veya "doğrusal olmayan regresyon teknikleri" olarak da kavramsallaştırılmıştır.
Sorun, aşağıdakileri belirlerken çelişkili veya benzer olmayan sonuçlar bulunduğunda ortaya çıkar: Belirli Tahmin veya Sınıflandırma problemlerini çözmede hangi modeller daha etkilidir?
YSA'lar herhangi bir girdi modelini herhangi bir çıktı modeliyle ilişkilendirebilmesine rağmen, performansları çok sayıda parametrenin (ağırlıklar, etkinleştirme değeri, sinyal hatası, etkinleştirme işlevi, hata geri yayılımı, katman sayısı, öğrenme katsayısı, vb. daha önce açıklanmıştır). Her zaman istenen çözümü garanti etmeyen ayarlar; Bu tip modeli karakterize eden "kara kutu" yapısına ek olarak.
4.1.2 Sonuçların Analizi ve Sonuçlandırılması
- Çoklu Regresyon Tekniğine Uygun:
- a) Yalnızca nicel tahmin görevleri için ve ideal uygulanabilirlik koşulları altında; çoklu doğrusal regresyon prosedürü, RNA'lardan daha iyi sonuçlar elde etti.
- Nicel tahmin görevlerindeki diğer vakalar için YSA ve regresyon modelleri arasında fark bulunmadı.
4.1.2.2 YSA'lara Uygun:
- YSA kullanmanın istatistiksel modellere göre en büyük avantajı, YSA'ların girdi değişkenleri olarak kabul edebilmesidir: Kantitatif ve nitel değişkenlerin karışık kümeleri. Sınıflandırma görevlerinde, YSA'lar regresyon modellerinden çok daha kesin sonuçlar üretir. çoklu lojistik. Tahmin veya Tahmin görevlerinde YSA'lar ve çoklu doğrusal regresyon modelleri benzer sonuçlar üretir
4.1.2.3 YSA'lara elverişsiz:
- "Kara kutu" niteliği nedeniyle, bir YSA, farklı öngörücülerin göreceli önemi hakkında açık bilgi vermez Bir YSA'nın eğitilmesi bir deneme yanılma yöntemidir; bu nedenle bir YSA tarafından verilen çözümlerin kalitesi her zaman garanti edilemez.
4.2 Yapay Sinir Ağları ve Çoklu Regresyon Yaklaşımları Arasındaki Karşılaştırma: Finlandiya'da Konut Değerleme Uygulaması
4.2.1 Giriş
Olga Karakozova, Ekim 2000 tarihli İsveç Ekonomi ve İşletme Akademisi'nde yüksek lisans tezinde; Konut Gayrimenkul Değerleme ile ilgili sorunları çözmek için RNA tekniklerinin uygulanmasının yararlarını belirlemek için bir araştırma sundu; 1998 yılı için Helsinki metropol bölgesinin emlak piyasasına uygulanan Çoklu Regresyon modelleriyle karşılaştırıldığında.
4.2.2 Kullanılan Yöntem
Karakozova bu çalışma için altı (6) Yapay Sinir Ağı Modeli ve dört (4) Çoklu Regresyon modeli kullanmıştır.
Söz konusu modeller üç (3) veri serisi için uygulanmıştır: İlki, Helsinki metropol bölgesindeki evlerin tüm verilerini kullanarak. İkinci seri için, veri seti sadece Helsinki şehri içindeki konutları içerecek şekilde sınırlandırıldı ve üçüncü Seri için veriler, sadece Helsinki şehri içindeki homojen konutları içerecek şekilde daha da kısıtlandı.
4.2.3 Sonuçlar
Çalışma şu sonucu verdi: Yapay Sinir Ağı Modelleri, incelenen veri serilerinin her biri için Çoklu Regresyon Modellerinden daha iyi performans gösterdi. Bununla birlikte, Helsinki'deki homojen evler dizisi için YSA ve çoklu regresyon teknikleri arasında yalnızca çok küçük bir fark gözlendi.
4.2.4 Sonuçların Sonuçlanması
- Tahmin görevlerinde, YSA'lar Çoklu Regresyon tekniklerini küçük bir marjla aşar Heterojen veri serileri için YSA'lar, Çoklu Regresyon Tekniklerinden daha iyi performans gösterir YSA'lar, büyük ev değerlendirme teknikleri YSA'lar için gerekli kriterleri yerine getirir. ekonometrik analizler, aynı şeyin tamamlayıcısıdır
4.3 Yapay Sinir Ağlarının Analizi Yoluyla Yaşın Evlerin Değeri Üzerindeki Etkisinin Analizi.
4.3.1 Giriş
San Diego Eyalet Üniversitesi İşletme Fakültesi Finans Bölümü'nden Profesör A. Quang Do ve San Diego Eyalet Üniversitesi İşletme Fakültesi Muhasebe Bölümü'nden Profesör G. Grudnitski, Aralık 1992; RNA kullanımının multicollinearity, heterosedasticity vb. gibi çoklu regresyon tekniklerinin kullanımıyla ilgili sorunların üstesinden gelmeye izin verdiğini gösterdikleri bir çalışma sundular.
4.3.2 Sorun Açıklaması
Profesör Quang ve Grudnitski tarafından yapılan çalışma, bir mülkün (ev) yaşı ile piyasa değeri arasındaki ilişkiyi incelemeye dayanıyordu.
Çoklu regresyon istatistiksel teknikleri kullanılarak, bir mülkün yaşının, faydalı ömrü boyunca değeriyle ters orantılı olduğu belirlendi.
Bununla birlikte, kullanılan yöntemin (çoklu regresyon) da önemli hatalar ürettiği gösterilmiştir. Bu yanlışlık, değişkenler arasındaki etkileşim, doğrusal olmayan davranış değişkenleri, bağımsız değişkenler arasındaki çoklu bağlantı problemleri, heterosadastisite problemleri gibi çoklu regresyon tekniğinin doğasında bulunan problemlerle daha da büyümüştür.
YSA'lar, şemaların tanınması, nitel veya kategorik değişkenlerin sınıflandırılmasıyla ilgili problemleri çözmeye çok iyi adapte olma özelliğine sahiptir; ve doğrusal olmayan tekniklere karşılık gelirler. Bu nedenle YSA'lar, geniş bir doğrusal olmayan fonksiyonlar sınıfına çok kesin bir yaklaşım sağlama yeteneğine sahiptir.
YSA'ların regresyon tekniklerine göre başarısının nedeni, etkinleştirme işlevlerinin belirlenmesidir. Çoklu regresyon tekniğinde ise, Aktivasyon Fonksiyonu verilere bakılmaksızın önceden belirlenir; YSA'lar, verilere en iyi uyumu sağlayan parametreleri "ince ayarlayarak" Aktivasyon İşlevlerini kendileri belirler.
4.3.1 Kullanılan Yöntem
Ocak - Eylül 1991 döneminde San Diego şehrinin (California, ABD) güneybatısındaki 242 müstakil mesken (ev) örneği, söz konusu verilerin benzer mahallelere ait olmasına dikkat edilerek alınmıştır. Aşağıdaki Bağımsız Değişkenler seçildi:
- Banyo mülkünün yaşı (1/4 banyo = 1) İtfaiye İstasyonu İnşaat Alanı Daire Mahallesindeki Otopark İstasyonları Arsa alanı
4.3.2 Sonuçlar ve Sonuçlar
- Bir mülkün "Yaşının", yalnızca faydalı ömrünün ilk 16 ila 20 yılında "Değeri" ile ters orantılı olduğu sonucuna varılmıştır. Bu süreden sonra "Yaş" ve "Değer" değişkenleri geçer. c) Bu şekilde RNA tekniklerinin kullanımının doğrusal regresyon modelinde mevcut olan ve "Yaş" ve "Değer" değişkenlerinin ters orantılı olduğunu hatalı olarak belirleyen heterozadastisite problemini düzelttiğini göstermek. bir evin faydalı ömrü boyunca.
5.0 Pampatar (Venezuela) şehrindeki dairelerin Birim Fiyatının belirlenmesi için Çoklu Regresyon teknikleri ve Yapay Sinir Ağları arasındaki Karşılaştırmalı Örnek.
5.1 Veri seçimi
YSA teknikleri ve çoklu regresyon arasındaki bu karşılaştırma örneği için kullanılan veriler, 2001'in Dördüncü Çeyreğinde protokol haline getirilen, Pampatar şehrinde daire alım satımına yönelik Doksan bir (91) işlemin bir örneğine karşılık gelir..
Pampatar, Margarita Adası'nda bulunan bir şehirdir, şu anda Pampatar fiziksel olarak Porlamar şehrine (Adanın ana şehri) bağlıdır. Margarita Adası'nın "Serbest Limanı" nın durumu, Karayip topraklarının bu kısmının doğal güzellikleriyle birlikte; Hem Venezuela sakinleri hem de yabancı turistler için tercih edilen turistik destinasyondur.
Pampatar iki ana ev türüne eğilimlidir: Esas olarak Adada yaşayan insanlar için tasarlanmış tek aile ve esas olarak tatil evleri veya ikinci evler olarak hizmet vermeyi amaçlayan Çok aileli (Apartman ve şehir evleri).
5.2 Seri Özellikleri:
5.2.1 Çoklu Regresyon tekniklerinin uygulanmasına yönelik verilerin açıklaması
Çoklu Regresyon için Açıklayıcı Notlar:
(1) Bağımsız Değişken YAŞ, referansın bulunduğu binanın Kat Mülkiyeti Belgesinin protokolize edildiği tarih olarak tanımlanır.
(2) Bağımsız Değişken SATIŞ, kullanılmış bir dairenin satışına karşılık gelen SATIŞ = 0 biçimindeki bir ikili veri seti olarak tanımlanır. SATIŞ = 1, yeni bir dairenin satışına karşılık gelir.
(3) Bağımsız Değişken VISTA, okyanus manzarası olmayan bir dairenin satışına karşılık gelen VISTA = 0 formundaki ikili bir veri kümesi olarak tanımlanır. GÖRÜNÜM = 1, deniz manzaralı bir dairenin satışına karşılık gelir.
(4) Bağımlı Değişken PU, Referans Birim Fiyatı olarak tanımlanır ve Satış Fiyatı ile Alanı arasındaki bölümün sonucudur.
5.2.2 Yapay Sinir Ağları (YSA) tekniklerinin uygulanmasına yönelik verilerin açıklaması
YSA için Açıklayıcı Notlar:
(5) Bağımsız Değişken PRIM, kullanılmış bir dairenin satışına karşılık gelen PRIM = = 0 formundaki bir ikili değişken olarak tanımlanır. PRIM = 1, yeni bir dairenin satışına karşılık gelir.
(6) Bağımsız Değişken SEC, ikinci bir dairenin satışına karşılık gelen SEC = 1 şeklindeki bir ikili değişken olarak tanımlanır. SEC = 0, yeni bir dairenin satışına karşılık gelir.
(7) Bağımsız Değişken CON_VIS, okyanus manzaralı bir dairenin satışına karşılık gelen CON_VIS = 1 biçimindeki iki değişkenli bir değişken olarak tanımlanır. CON_VIS = 0, deniz manzaralı olmayan bir dairenin satışına karşılık gelir.
(8) Bağımsız Değişken SIN_VIS, SIN_VIS = 1 şeklindeki bir ikili değişken olarak tanımlanır ve deniz manzarası olmayan bir dairenin satışına karşılık gelir. SIN_VIS = 0, deniz manzaralı bir dairenin satışına karşılık gelir.
5.3 Çoklu Regresyon Tekniğinin Uygulanması
Veri serisine (Apartments in Pampatar) en iyi uyan doğrusal modeli hesaplamak için Microsoft Excel Elektronik Tablosu kullanılmıştır.
5.3.1 Yazılım çıktısı (Çoklu Doğrusal Korelasyon):
Belirleme Katsayısı: 0.754409
F istatistiği: 36.422931
Serbestlik Dereceleri: 83
Bağımsız Değişkenler: 7
Test F (Fo):> 2.36
Korelasyon Standart Hatası: 139,558.944842
SCR: 4.965789 E +12
SCE: 1.616566 E +12
5.3.2 Korelasyon Matrisinin Analizi:
Matrise yapılan gözlemler:
- Bağımsız Değişkenlerin Korelasyon Katsayılarının hiçbiri güçlü bir korelasyon göstermemektedir (> 0.75) Bağımsız Değişkenler arasında Çoklu Bağlantı problemi bulunmamaktadır.
5.3.3 Atık Analizi:
5.3.4 Ana Mülkün Birim Fiyatının Belirlenmesi
Pampatar şehrindeki dairelere karşılık gelen 91 Referans dizisini temsil eden “Standart Mülk” ün Birim Fiyatı (PU) belirlendi:
"Değerleme" Tarihi X1 = 11-Nisan-2002
Daire Alanı X2 = 80.97
Odalar X3 = 2
Banyolar X4 = 2
Belge tarihi
Kat Sayısı X5 = 06-Ekim-1996
Satış Tipi X6 = 0 (Kullanılmış Daire)
Okyanus Manzarası X7 = 0 (Okyanus Manzarası Olmadan)
Birim Fiyat Y = 420,503,52
5.4 Yapay Sinir Ağı (YSA) tekniğinin uygulanması
5.4.1 Kullanılan yazılımın açıklaması
Yapay zeka tekniklerinin kullanımı için “Ainet” yazılımı kullanıldı. Bu program, Hata Geri Yayılımlı Çok Katmanlı Algılayıcı Ağ topolojisine sahip Yapay Sinir Ağlarına dayanmaktadır.
Bu uygulama, bir sonuca ulaşmak için Yapay Sinir Ağlarının (YSA) kullanılmasını gerektiren problemleri çözmek için en basit araçlardan biridir.
"Ainet" tarafından kullanılan algoritma bir YSA eğitimi veya öğrenme aşaması gerektirmez; ve sonuç, bu tür sorunlara büyük bir çözüm hızı elde ederek anında üretilir.
"Ainet" algoritması da ilk "Ağırlıkları" belirtmeyi gerektirmez; basitçe "Ceza Katsayısı" olarak adlandırılan bir katsayı, ağırlıkların dağılımındaki değişkenliği kontrol eder. Ara veya gizli algılayıcı katmanlarının sayısının veya nöronlar arasındaki bağlantıların belirtilmesini de gerektirmez.
Ek olarak, kullanıcı arayüzünün çalıştırılması çok basittir, veriler bir elektronik tabloya çok benzer şekilde basit bir "kopyala ve yapıştır" ile girer ve çıkar.
Bununla birlikte, "Ainet" yazılımı, Saptama Katsayısı gibi yaygın olarak kullanılan istatistiksel tahmin edicilerden muzdariptir. Algoritması nedeniyle bir ses devresine daha çok benzer; "Ainet", uyum iyiliğinin ana göstergesi olarak RMS (Hatanın Ortalama Karekökü) istatistiğini üretir. Bu nedenle, YSA'yı Çoklu Doğrusal Regresyon ile karşılaştırabilmek için Kalıntı, Saptama Katsayısı, SCE, SCR, ÖTV ve F istatistikleri manuel olarak hesaplanan her referans bilgisinin “Tahmin” (Y Hesaplanmış) ile hesaplanmıştır. program tarafından.
5.4.2 Sinir Ağının Özellikleri:
Türü: MLBP
Giriş Değişkenleri (9): TARİH
ALAN
HAB
BATHROOMS
YAŞ
PRIM
SEC
CON_VIS
SIN_VIS
Çıkış Değişkenleri (1): PU
5.4.2 Bir "Standart Mülkiyet" in Birim Fiyatının (PU) RNA Üzerinden Tahmini
"Ainet" yazılımı, Pampatar şehrinde 91 daireye karşılık gelen seriyi, Çok Katmanlı Algılayıcı Ağında 9 giriş değişkeni (5 Kantitatif ve 4 İkili) ve bir (1) çıktı değişkeni (PU) kullanarak çalıştırdıktan sonra Hatanın Geri Yayımlanması; "Ana Daire" nin birim değeri olarak tahmin edilir:
"Değerleme" Tarihi TARİH Giriş # 1 = 11-Nisan-2002 Nicel
Apartman Alanı ALAN Giriş # 2 = 80,97 Kantitatif
Odalar ODA Giriş # 3 = 2 Niceliksel
Banyolar BANYO Giriş # 4 = 2 Kantitatif
Belge tarihi
Kat Mülkiyeti YAŞ Giriş # 5 = 06-Ekim-1996 Sayısal
Satış Tipi PRIM Giriş # 6 = 1 İkili
SEC Giriş # 7 = 0 İkili
Okyanus Manzaralı CON_VIS Giriş # 8 = 1 İkili
SIN_VIS Giriş # 9 = 0 İkili
Birim Fiyat PU Çıktısı # 1 = 492,849,94 Nicel
5.4.3 Kontrol İstatistiklerinin Analizi
SCR = 6,16633E + 12
SCE = 4,39901E + 11
ÖTV = 6.58236E + 12
Belirleme katsayısı = 0.936797335
k = 9
n = 91
Serbestlik derecesi = 81
Fo = <2.24
F = 126.1578518
6.0 Sonuçlar ve Öneriler
6.1 İki (2) Teknik Arasındaki Çözümlerin Karşılaştırılması
Çoklu Doğrusal Regresyon ve Yapay Sinir Ağı (YSA) tekniklerinin aynı veriler üzerinde uygulanmasının sonuçlarını karşılaştırırken, aşağıdaki sonuç elde edilir:
RNA tekniklerinin fenomenin davranışını daha iyi açıkladığı gerçeğinin öne çıktığı yer: "Pampatar Şehrindeki Dairelerin Birim Değeri".
6.2 Sonuçlar
- RNA teknikleri, istatistiksel fenomenin davranışını, bir dizi verinin Doğrusal Olmayan davranışları durumunda Çoklu Regresyon tekniklerinden çok daha iyi açıklar.Dr.Alfonso Pitarque, Juan Francisco Roy ve Juan Carlos'un sonuçları doğrulandı. Valencia Üniversitesi Psikoloji Fakültesi profesörlerinden Ruiz, şu konularda:
- YSA kullanmanın istatistiksel modellere göre en büyük avantajı, YSA'ların girdi değişkenleri olarak kabul edebilmesidir: Kantitatif ve nitel değişkenlerin karışık kümeleri. Sınıflandırma görevlerinde, YSA'lar regresyon modellerinden çok daha kesin sonuçlar üretir. çoklu lojistik.
- Ainet (Turbajeva 42 SI-3000 Celje. Slovenya. Www.ainet-sp.si) BrainMaker Neural Networks (California Scientific Software 10024 Newtown Rd. Nevada City. California 95959. USA www.calsci.com)
- Phytia - Sinir Ağı Tasarımcısı (Runtime Software, ABD)
- Easy NN (S. Wolstenholme, Cheshire, UK www.easynn.com) Yol Bulucu: MS-Excel Eklentisi. Sinir Ağı Sistemi (Z Solutions, Atlanta, ABD www.zsolutions.com)
Arayüzlerinde farklılık gösterse de, aşağı yukarı aynı bilgiyi üretirler. Bazıları sonuçları ele alma, çalıştırma ve yorumlama açısından diğerlerinden daha karmaşıktır. Ancak, yapay zeka ve YSA hakkında temel bilgi sahibi olmayan değerleme uzmanları tarafından kullanılacak basit bir analiz aracı olarak bunları uyarlamanın zahmetli olduğu konusunda herkes hemfikir.
16 Nis 2002
kaynakça
ADAIR A. ve MCGREAL W. (1988) "Konut mülklerinin bilgisayar destekli değerlemesi". Magazine: The Real Estate Appraisall and Analyst. Kış 1988 Baskısı Sf. 18-21. Amerika Birleşik Devletleri
BORST R. (1991) "Yapay Sinir Ağları: Değerlendirme topluluğu için Sonraki Modelleme / Kalibrasyon teknolojisi". Dergi: Emlak Vergisi Dergisi. Cilt 10. s. 69-94. Amerika Birleşik Devletleri
CHERKASSK V., FRIEDMAN J. ve WECHSLER I. (1994) "İstatistikten sinir ağına". Springer-Velag. Berlin
CROALL L. ve COHEN P. (1983) “Sinir ağlarının endüstriyel uygulamaları”. Springer-Velag. New York.
HECHT-NIELSEN R. (1990) "Neurocomputing". Addison-Wesley. Kaliforniya.
HERTA J., KROGH A. ve PALMER R. (1991) "Nöral hesaplama teorisinden giriş". Addison-Wesley. Kaliforniya.
HAYNES J. ve TAN C. (?) “Yapay sinir ağı emlak fiyat simülatörü”. Bilgi Teknolojileri Okulu. Bond Üniversitesi. Avusturya.
HILERA J. ve MARTINEZ V. (1995) “Yapay sinir ağları: temeller, modeller ve uygulamalar”. Şubesi. Madrid.
KARAKOZOVA O. (2000) “Sinir ağı ve çoklu regresyon yaklaşımları arasında bir karşılaştırma: Bulunduğunda konut değerlemesine bir uygulama”. Yüksek Lisans Tezi: İsveç Ekonomi ve İşletme Fakültesi. İsveç.
QUANG A. ve GRUDNISKI G. (1992) “Konut mülk değerlemesine bir sinir ağı yaklaşımı”. Dergi: Gayrimenkul Değerleme. Cilt 58. No. 3 Aralık 1992. s: 38-45. Amerika Birleşik Devletleri
QUANG A. ve GRUDNISKI G. (1993) “Yaşın konut değerleri üzerindeki etkisinin bir sinir ağı analizi”. Dergi: Gayrimenkul Araştırmaları Dergisi. Cilt 8. No. 2 Primavers of 1993. s: 253-264. Amerika Birleşik Devletleri
PIOL R. (1989-2002) “Gayrimenkul değerlemesinde uygulanan istatistiksel yöntemler”. SOITAVE. Karakas.
PITARQUE A., ROY J. ve RUIZ J (1998) "Sinir Ağları vs. İstatistiksel modeller: Tahmin ve sınıflandırma görevleri üzerine simülasyonlar ”. Valencia Üniversitesi. İspanya.
SMITH M. (1993) "İstatistiksel modelleme için sinir ağı". Van-Nostrand-Reinhold. New York.
VARIOUS AUTHORS (2000) “Yapay sinir ağları”. TREC İnternet. Erişim:
VON DER BECKE C. (1998) "Carlos Von der Becke Sözlüğü". Erişim:
WALKER R. (2000) "Sinir ağı temel Değerlendirmesi". Erişim:
WASERMAN P. (1989) "Sinirsel hesaplama: teori ve pratik". Van-Nostrand-Reinhold. New York.
Yapay nöronların ilk katmanının Çıktısını (O) elde etmek için, giriş uyarıcıları () ile değiştirilir ve formun denklemi bırakılır:
Fermi Fonksiyonu şu şekilde ifade edilir: ve grafiksel olarak uzayda (veya duruma göre hiper uzayda) bir sigmoid olarak temsil edilir.
İkili değişkenler ("Okyanus Manzaralı" = 1 veya "Okyanus Manzarası Yok" = 0 gibi), bu sorunu gösteren nitel / kategorik bir değişken örneğidir. Nitel ve ikili değişken "Deniz Manzarası" doğrusal olmadığından, çoklu doğrusal regresyon modelinde diğer nicel değişkenlerle (inşaat alanı, mülkün yaşı vb.) veya söz konusu karma değişkenlere dayalı olarak "Birim Fiyat" değişkenini doğru bir şekilde tahmin edin.
Nicel (sayısal) değişkenler kullanıldığında "Tahmin veya Tahmin Teknikleri" olarak tanımlanır; nitel veya kategorik değişkenler kullanıldığında ise "Sınıflandırma Teknikleri" olarak tanımlanmaktadır.
Microsoft Excel, Microsoft Office 2000 paketinin bir parçasıdır ve diğer işlevlerin yanı sıra tam bir istatistiksel analiz içeren genel amaçlı bir pakete karşılık gelir.
Verileri girerken, yazılım, bir sonuca ulaşmak için gereken hem gizli katman sayısını hem de "yapay nöronlar" arasındaki bağlantıları otomatik olarak hesaplar ve optimize eder.
Hata Geri Yayılımlı Çok Katmanlı Algılayıcı.
MS-Excel elektronik tablosu aracılığıyla manuel olarak hesaplanır
Çoklu Regresyon durumunda, "Satış" ve "Görünüm" Değişkenleri: "Kategorik" olarak kabul edilirler ancak "İkili" değildirler (bu değişkenin giriş verileri 0 ve 1 olsa bile).
Çoklu Regresyonun Bağımsız Değişkenlerinin Sayısı ile YSA arasındaki fark, "Satış" ve "Görünüm" değişkenlerinin girdi formatından kaynaklanmaktadır. RNA yazılımı, her değişkeni bir girdi "yapay nöron" olarak ele alır; bu nedenle, sisteme girebilmeleri için İkili Değişkenler "Satış" (PRIM - SEC) ve "Görünüm" (CON_VIS - SIN_VIS) arasında farklılaşma gerektirirler.91
Bir veri dizisinde kantitatif ve ikili değişkenlerin bir karışımı olduğu gerçeği, zorunlu olarak modelin doğrusal olmayan bir davranışını gösterir. Dichotomous değişkenler, şu formda olduklarından doğrusal değildir:
Orijinal dosyayı indirin
