49672

Оценка стоимости квартир в г.Перми на основе нейросетевого подхода

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач и активно применяются там где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Нейронные сети исключительно мощный метод моделирования позволяющий воспроизводить чрезвычайно сложные зависимости. Нейронные сети привлекательны с интуитивной точки зрения ибо они основаны на примитивной биологической модели нервных систем. Искусственные нейронные сети подобно...

Русский

2014-01-05

807.5 KB

3 чел.

Министерство экономического развития и торговли Российской Федерации

Г О С У Д А Р С Т В Е Н Н Ы Й  У Н И В Е Р С И Т Е Т

ВЫСШАЯ ШКОЛА ЭКОНОМИКИ

ПЕРМСКИЙ ФИЛИАЛ

Факультет экономики

Кафедра финансового менеджмента

Курсовая работа

на тему Оценка стоимости квартир в г.Перми на основе нейросетевого подхода

Студенток группы Э-03-1

Плотниковой Е.Ю.

Преподаватель:

Ясницкий Л.Н .

Пермь 2007


Введение

Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными.  Нейронные сети- исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. Искусственные нейронные сети, подобно биологическим, являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Несмотря на то, что при построении таких сетей обычно делается ряд допущений и значительных упрощений, отличающих их от биологических аналогов, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, — это обучение на основе опыта, обобщение, извлечение существенных данных из избыточной информации.

С конца XX века наблюдается возрождение интереса к нейросетевым и нейрокомпьютерным технологиям, которые успешно применяются в самых различных областях – бизнесе, медицине, технике, геологии, физике и т.д.

Нейронная сеть (нейросеть) – это система, выполненная по образу и подобию человеческого мозга, имеющая некоторые аспекты его работы и демонстрирующая такие возможности мозга, как способность к обучению, способность к обучению и др.

Главным отличием нейросетей от других методов, например таких, как экспертные системы, является то, что нейросети не нуждаются в заранее известной модели, а строят ее сами только на основе предъявляемой информации. Именно поэтому нейронные сети вошли в практику всюду, где нужно решать задачи прогнозирования, классификации, управления – иными словами, в области человеческой деятельности, где есть неформализуемые или трудно формализуемые задачи.

Оценка недвижимости является одной из наиболее востребованных и, вместе с тем, одной из наиболее сложных задач на рынке систем оценки и принятия решений. Сложность заключается, во-первых, в большом количестве факторов, влияющих на оценку. Во-вторых, сам характер факторов представляет существенную проблему – некоторые из них довольно сложно формализовать, например, «состояние объекта». В-третьих, рынок недвижимости достаточно динамичен, что подразумевает высокую скорость изменения значений параметров оценки с течением времени. В-четвертых, для формирования обучающих выборок приходится использовать опыт различных оценщиков, что может приводить к противоречивым результатам .

Нейронные сети могут быть альтернативой обычных методов, применяемых к оценке недвижимости, таких, как метод множественной регрессии и методы теории оценки недвижимости (доходный, затратный и сравнительный). Так как точность результатов полученных с помощью нейросетевых технологий может соперничать или даже превышать точность результатов, полученных при помощи традиционных методов оценки. Но в настоящее время нет окончательного вывода о том, какой метод лучше всего использовать. Одни источники говорят, что точность результатов, полученных с помощью нейросетевых технологий выше, чем точность результатов множественной регрессии, другие источники утверждают, что нейронные сети показывают более точные результаты, только при небольших объемах данных .

Нейросети могут применяться как в самом процессе оценки, так и на этапе выбора тех факторов, которые оказывают наибольшее влияние на формирование цены на недвижимость.

Таким образом, целью данной работы является оценка стоимости квартиры в Перми с использованием нейронных сетей. Для достижения данной цели были поставлены следующие задачи: изучение теоретических основ нейронного подхода, построение модели для оценки недвижимости, учитывающей различные факторы, влияющие на стоимость.

  1.  
    Основы искусственных нейронных сетей
    1.  История развития нейронных сетей

Людей всегда интересовало их собственное мышление. Это думанье мозга о себе самом является, возможно, отличительной чертой человека. Имеется множество размышлений о природе мышления, простирающихся от духовных до анатомических. Обсуждение этого вопроса, протекавшее в горячих спорах философов и теологов с физиологами и анатомами, принесло мало пользы, так как сам предмет весьма труден для изучения. Те, кто опирался на самоанализ и размышление, пришли к выводам, не отвечающим уровню строгости физических наук. Экспериментаторы же нашли, что мозг труден для наблюдения и ставит в тупик своей организацией. Короче говоря, мощные методы научного исследования, изменившие наш взгляд на физическую реальность, оказались бессильными в понимании самого человека.

Нейробиологи и нейроанатомы достигли значительного прогресса. Усердно изучая структуру и функции нервной системы человека, они многое поняли в «электропроводке» мозга, но мало узнали о его функционировании. В процессе накопления ими знаний выяснилось, что мозг имеет ошеломляющую сложность. Сотни миллиардов нейронов, каждый из которых соединен с сотнями или тысячами других нейронов, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах.

Лучшее понимание функционирования нейрона и картины его связей позволило исследователям создать математические модели для проверки своих теорий. Эксперименты теперь могут проводиться на цифровых компьютерах без привлечения человека или животных, что решает многие практические и морально-этические проблемы. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования: первая – понять функционирование нервной системы человека на уровне физиологии и психологии и вторая – создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Параллельно с прогрессом в нейроанатомии и нейрофизиологии психологами были созданы модели человеческого обучения. Одной из таких моделей, оказавшейся наиболее плодотворной, была модель Д. Хэбба, который в 1949г. предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. Дополненный сегодня множеством других методов он продемонстрировал ученым того времени, как сеть нейронов может обучаться.

В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время. Первые успехи вызвали взрыв активности и оптимизма. Минский, Розенблатт, Уидроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. В течение некоторого времени казалось, что ключ к интеллекту найден, и воспроизведение человеческого мозга является лишь вопросом конструирования достаточно большой сети.

Но эта иллюзия скоро рассеялась. Нейросети не могли решать задачи, внешне весьма сходные с теми, которые они успешно решали. С этих необъяснимых неудач начался период интенсивного анализа. М.Минский, используя точные математические методы, строго доказал ряд теорем, относящихся к функционированию сетей. Его исследования привели к написанию книги, в которой он вместе с Пайпертом доказал, что используемые в то время однослойные сети теоретически неспособны решить многие простые задачи, в том числе реализовать функцию «Исключающее ИЛИ». Минский также не был оптимистичен относительно потенциально возможного здесь прогресса.

Блеск и строгость аргументации Минского, а также его престиж породили огромное доверие к книге – ее выводы были неуязвимы. Разочарованные исследователи оставили поле исследований ради более обещающих областей, а правительства перераспределили свои субсидии, и искусственные нейронные сети были забыты почти на два десятилетия.

Однако несколько наиболее настойчивых ученых, таких как Кохонен, Гроссберг, Андерсон продолжили исследования. Наряду с плохим финансированием и недостаточной оценкой, ряд исследователей испытывал затруднения с публикациями. Поэтому исследования, опубликованные в семидесятых и начале восьмидесятых годов, разбросаны в массе различных журналов, некоторые из которых малоизвестны. Постепенно появился теоретический фундамент, на основе которого сегодня конструируются наиболее мощные многослойные сети. За последние несколько лет теория стала применяться в прикладных областях, и появились новые корпорации, занимающиеся коммерческим использованием этой технологии

  1.  Биологический и искусственный нейроны

Нейронные сети и нейрокомпьютеры – это одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга

Мозг человека состоят из нейронов (рис. 1.), соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Дендриты идут от тела нервной клетки к другим нейронам, где они принимают сигналы в точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются, причем одни входы стремятся возбудить нейрон, другие – воспрепятствовать его возбуждению. Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам. У этой основной функциональной схемы много усложнений и исключений, тем не менее большинство искусственных нейронных сетей моделируют лишь эти простые свойства.

Рис.2 Искусственный нейрон

Рис. 1. Строение биологического нейрона

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона (рис.2). На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синоптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети.

Существует великое множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором – она производится на основе действий, подчиняющихся некоторому случайному процессу.

Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. В числе задач, решение которых доверяют искусственным нейронным сетям, можно назвать следующие: распознавание текстов, игра на бирже, контекстная реклама в Интернете, фильтрация спама, проверка проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения — и это далеко не все. В чем же причины такой популярности:

  •  Богатые возможности.  Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе (смысл этого понятия подробно разъясняется далее в этой главе). На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных
  •  Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики1.

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис. 3), которая широко используется для поиска закономерностей и классификации образов. Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель.

 

Рис. 3. Пример многослойной полносвязанной нейронной сети прямого распространения сигнала.

Основные преимущества нейронных сетей :

1. Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях (а к ним можно отнести до 80% задач финансового анализа) пасуют как традиционные математические методы, так и экспертные системы.

2. Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

3. Для использования методов корреляционного анализа вам понадобится профессионал-математик. Эксплуатация обученной нейронной сети по силам и старшекласснику.

4. Нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и т.д. и автоматизировать процесс ввода и первичной обработки данных.

5. Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично (насколько хватит кошелька) наращивать мощность вашей нейросистемы. Вы можете начать с простого и дешевого пакета, потом перейти на профессиональную версию, потом добавить одну-две-три платы-ускорителя, потом перейти на специализированный нейрокомпьютер - с гарантией полной преемственности всего ранее созданного программного обеспечения.

  1.   Построение нейронных сетей.

Построение нейронных сетей проходит в два этапа:

  1.  Выбор типа (архитектуры) нейронной сети.
  2.  Подбор весов (обучение) нейронной сети.

На первом этапе следует выбрать следующее:

  •  какие нейроны мы хотим использовать (число входов, передаточные функции);
  •  каким образом следует соединить их между собой;
  •  что взять в качестве входов и выходов нейронной сети.

Эта задача на первый взгляд кажется необозримой, но, к счастью, нам необязательно придумывать нейронную сеть "с нуля" - существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры - это многослойный перцептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и другие.

На втором этапе следует "обучить" выбранную нейронную сеть, то есть подобрать такие значения ее весов, чтобы она работала нужным образом. Необученная нейронная сеть подобна ребенку - ее можно научить чему угодно. В используемых на практике нейронных сетях количество весов может составлять несколько десятков тысяч, поэтому обучение - действительно сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения перцептрона.

  1.  Обучение нейронных сетей

Обучение нейронных сетей напоминает процесс интеллектуального развития человеческой личности. Но, к сожалению, возможности обучения искусственных нейронных сетей ограниченны, и нужно решить много сложных задач, чтобы определить, на правильном ли пути мы находимся.

Сеть обучается, чтобы для некоторого множества входов давать желаемое (или, по крайней мере, сообразное с ним) множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор.

Различают алгоритмы обучения с учителем и без учителя. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.

Обучение без учителя. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Предъявление на вход вектора из данного класса даст определенный выходной вектор, но до обучения невозможно предсказать, какой выход будет производиться данным классом входных векторов. Следовательно, выходы подобной сети должны трансформироваться в некоторую понятную форму, обусловленную процессом обучения. Это не является серьезной проблемой. Обычно не сложно идентифицировать связь между входом и выходом, установленную сетью.  

  1.   Подготовка входных и выходных параметров
    1.  Подбор обучающих примеров

От удачного подбора обучающих примеров во многом зависит успех создания нейронной сети, адекватно моделирующей предметную область. Прежде всего необходимо понимать, что не все параметры предметной области влияют на выходной вектор Y.

Параметры, которые не оказывают влияния на вектор Y, называют незначимыми для этого выходного вектора. Естественно, что незначимые параметры не следует включать в список параметров входного вектора X.

Однако на практике часто бывает трудно и даже невозможно установить, какие из параметров предметной области являются значимыми, а какие нет. Поэтому на первом этапе в вектор X включают как можно больше параметров, избегая только те из них, незначимость которых представляется очевидной.

После первоначального создания и обучения нейронной сети, незначимые параметры могут быть выявлены двумя способами.

Путем анализа значений весовых коэффициентов входных нейронов. Если окажется, что у какого-либо входного нейрона синаптические веса значительно меньше, чем у других нейронов, то этот входной нейрон скорее всего соответствует незначимому параметру вектора X.

Путем возмущения значений входных параметров и анализа реакции сети на эти возмущения. Если сеть не реагирует или слабо реагирует на изменения значения какого-либо входного параметра, то этот параметр не является значимым.

После выявления и исключения входных нейронов, соответствующих незначимым параметрам, качество нейросети улучшается, так как снижается ее размерность. Однако надо понимать, что слишком малое число входных параметров может привести к тому, что нейросети не хватит данных для выявления требуемых от нее закономерностей предметной области.

  1.  Предобработка обучающих примеров и интерпретация ответов

Параметры, описывающие предметную область, могут иметь самый разнообразный характер. Но поскольку нейросеть в состоянии обрабатывать только числа, то вся нечисловая информация должна быть закодирована в числовом виде.

Числовую информацию, приготовленную для нейросетевой обработки, желательно масштабировать, т.е. выровнять диапазоны изменения величин.

Желаемые выходные сигналы персептрона должны быть также закодированы в приемлемой форме и масштабированы в приемлемом диапазоне.

В итоге персептрон дает нечеткий ответ, оценивая вероятность возможной ошибки.

  1.  ПРИМЕНЕНИЕ ПЕРСЕПТРОНА В ОЦЕНКЕ СТОИМОСТИ КВАРТИР

  1.  Проектирование модели

Данные

Основным источником данных для исследования были выбраны база данных предложения квартир корпорации Перспектива за сентябрь 2007 года. Рассматривались только квартиры находящиеся в г. Пермь.

Из 640 объявлений для исследования была использована лишь небольшая часть. Т.к. объявления, в которых не было достаточно данных, исключались из рассмотрения. В итоге осталась выборка из 69 объявлений.

Переменные

Выбранные переменные отражают физические характеристики оцениваемого объекта.

Входные параметры:

X1 – расположение квартиры относительно центра города

  1.  центр
  2.  прилежащие к центру районы
  3.  отдаленные районы
  4.  окраины

X2 – количество комнат

X3 – этаж, на котором расположена квартира

X4 – этажность дома

X5 – общая площадь квартиры (числовое значение кв.м.)

X6 – жилая площадь квартиры (числовое значение кв.м.)

X7 – площадь кухни (числовое значение кв.м.)

X8 – материал, из которого построен дом

  1.  кирпич
  2.  панель

X9 – тип дома

  1.  ИП
  2.  УП (улучшенная планировка)
  3.  СП (серая панель)
  4.  ЛП
  5.  ПГ(полногабаритка)
  6.  БР (брежневка)
  7.  ХР (хрущевка)

X10 – наличие балкона или лоджии

  1.  нет
  2.  1 балкон
  3.  2 балкона
  4.  3 балкона
  5.  1 лоджия
  6.  2 лоджии
  7.  3 лоджии
  8.  лоджия или балкон

X11 – наличие телефона

  1.  нет
  2.  есть

X12 – состояние квартиры (ремонт, отделка)

  1.  без отделки (плохое состояние)
  2.  хорошее состояние

Выходные параметры:

Y1 – стоимость квартиры (в тыс. руб.)

Для выполнения оценки был использован  персептрон с одним скрытым слоем сигмоидных нейронов с 12 входами, 6 нейронами на скрытом слое и одним выходом, полученный после процедуры оптимизации персептрона. Количество эпох -3000.

Персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно  реагировать на примеры, которых в обучающей выборке не было.

Количество нейронов на скрытом слое было рассчитано по формулам:

,

где   - размерность выходного сигнала; Q – число элементов обучающей выборки;  - необходимое число синаптических весов; Nx – размерность входного сигнала. Тогда число нейронов в скрытых слоях.

В моем случае сеть была построена, исходя из следующих параметров: Nx=12, Ny=1, Q=59. Тогда 8,58Nw83,83, а, следовательно, 0N6,4 . Формула дает достаточно большой разброс числа нейронов в скрытых слоях, и поэтому из множества получаемых сетей рассматривается оптимизированная сеть.

Для обучения использовалась выборка из 59 примеров, для тестирования использовалась выборка из 10 примеров. В качестве алгоритма обучения был использован алгоритм обратного распространения ошибки.

x1

х2

х3

х4

х5

х6

х7

х8

х9

х10

х11

х12

y

0

2

16

16

137,7

46,6

25,4

0

0

1

1

1

16800

0

4

1

9

143,3

82,2

31

0

0

6

1

1

14300

0

3

15

15

128

45,9

12,2

0

0

5

1

1

14000

0

4

6

7

103,7

65,5

10

0

0

6

1

1

10700

0

3

12

16

88,1

55,6

10,7

0

0

7

1

0

8000

0

3

10

10

61,5

44,1

8,3

0

1

4

1

1

7500

0

3

3

7

79,8

49,6

11

0

1

2

1

1

6600

0

2

2

10

56

27

8

0

0

4

1

0

6200

2

3

15

16

85,6

45,9

13,4

0

1

1

0

1

6000

0

3

4

10

83,92

47,81

13,26

0

0

5

0

0

5930

2

3

10

10

89,8

48,9

12,1

0

0

4

0

0

5200

2

3

9

10

67,9

39,2

8,8

0

0

1

1

1

5180

0

3

6

9

64

45

7,6

1

2

1

1

1

5000

1

4

5

16

84,5

52,2

9

1

1

1

1

1

5000

1

2

9

10

77,4

41,1

15,3

1

0

4

0

1

4850

2

4

9

10

69

46

9

0

1

4

1

1

4560

1

2

7

8

75,8

37,9

14,9

0

0

4

0

1

4320

1

2

5

10

57,5

42,6

8,7

1

1

4

1

1

4300

0

2

1

10

59

30

9

0

1

0

0

1

4250

1

4

2

5

85,1

48,6

11,8

0

3

5

0

0

4200

0

3

2

9

63

43

7,7

1

2

7

1

0

4160

2

2

1

10

81,7

52

12,5

0

0

5

1

0

4110

0

1

6

9

50,34

18,62

9,7

0

0

4

0

0

4000

1

3

1

9

66,6

43,6

9,9

1

1

0

0

1

4000

1

3

9

10

68,2

43,8

8,8

1

1

4

1

1

4000

1

3

2

10

68,4

44,2

8,8

1

1

4

0

1

3950

0

2

6

10

54

30,6

8

0

1

4

1

1

3950

0

2

4

5

64,4

35

9,9

0

4

1

1

0

3900

2

4

10

10

80

49

8,3

0

1

4

1

1

3850

3

3

9

10

71,6

39

9,7

1

1

4

1

1

3818

2

3

9

10

61,8

38,7

8,2

0

1

5

0

1

3800

3

3

1

10

97

43,6

21,9

0

1

4

1

1

3800

1

3

10

10

70,3

45,4

9

1

1

1

1

1

3800

1

3

2

5

65,2

40,1

7,8

0

3

4

1

0

3800

0

2

6

9

52

29

7

0

1

4

1

1

3800

0

3

9

12

56,4

38,5

9

0

5

1

1

0

3750

2

3

9

10

67,3

44,1

9

1

1

5

1

1

3725

2

4

2

10

72,8

49,1

8,5

0

1

5

1

1

3700

1

3

3

5

61,6

45,2

6

1

5

3

1

0

3700

2

4

1

10

84,8

54,8

8,7

1

1

1

1

1

3700

1

2

4

4

61,3

32,1

10

0

4

1

1

1

3650

0

2

4

9

44,2

27,6

7,6

1

2

1

1

1

3640

1

2

9

10

55,5

31,1

8,8

1

1

4

1

1

3550

2

3

9

9

52

36,4

7,5

1

2

4

1

0

3360

1

2

1

9

54,3

31,7

8,8

1

1

0

0

1

3350

2

1

12

16

56,48

25,75

14,06

0

0

4

0

0

3315

3

3

5

9

70,1

44,3

9

1

1

2

1

1

3300

2

3

1

9

58

39

9,7

1

2

0

1

0

3300

2

3

1

10

67

43,9

8,9

1

1

0

0

1

3250

2

4

3

5

60,6

44,1

6,8

1

5

1

1

0

3250

1

2

5

10

52

31

8,7

1

1

4

1

1

3250

2

3

3

3

77,9

53,3

7,4

0

4

2

1

0

3200

2

1

7

8

53,2

19,9

19,2

0

0

0

0

1

3200

2

1

2

14

47,5

16

14

0

0

0

0

0

2750

2

1

2

10

38,8

16,5

9,2

1

1

4

1

1

2650

0

1

1

5

33

18

6

0

6

0

1

0

2500

0

1

1

5

32,1

18,9

6,1

0

6

0

1

0

2500

1

1

3

9

34,5

17

8,9

1

1

4

1

1

2300

2

1

4

5

31,2

17,2

9,8

1

5

1

1

0

2290

Тестирующая выборка

2

3

4

9

64,1

44,8

8

1

2

7

1

1

3420

3

4

9

9

85,9

54,9

8,9

1

1

4

1

1

3400

2

3

8

9

68

44

9

1

1

1

1

1

3550

1

3

14

14

57

36

9

0

5

4

1

0

3550

2

1

1

15

30,4

17

5,9

1

5

0

1

0

1800

0

2

2

5

60,5

32,4

7,8

0

4

0

1

1

3500

2

3

10

10

68

44,6

8

1

1

1

0

1

3490

2

3

3

5

57,3

40,4

6

1

6

1

1

0

2720

2

1

7

9

38,9

17,7

8,6

0

1

1

1

1

2220

2

1

5

17

56,4

25

18,3

0

0

4

0

0

3380

Результаты, полученные при применении нейросети, сравнивались с реальной ценой на объект оценки. Была вычислена среднеквадратичная ошибка между спрогнозированным значением и реальным значением цены на объект.

После обучения вычисляем среднеквадратичную погрешность между прогнозом сети  и желаемым выходом сети обучающей или тестируемой. Среднеквадратичная погрешность персептрона, вычисленная на обучающей выборке Е.

количество нейронов на скрытом слое

1

2

3

4

5

6

тестирующие примеры

2402,67

1417,01

1415,3

1174,49

1378,48

839,42

обучающая выборка

2957,5

1361,07

2232,95

1786,88

1636,46

1593,06

     

Рис.4

На нашем примере видно, что оптимальное количество нейронов – 6, так как в этом случае персептрон выдает наиболее достоверную информацию.

Теперь оценим степень влияния различных групп параметров на конечный результат.

Исследование модели

На следующем этапе исследования выясним, какие из рассмотренных входных параметров являются наиболее значимыми. Определять значимость параметра будем путем последовательного исключения из персептрона каждого параметра, при этом будем анализировать реакцию сети на исключение параметра, в частности, будем рассматривать погрешность обобщения εT. Если сеть не реагирует или слабо реагирует на исключение какого-либо входного параметра, то этот параметр не является значимым.

Входные параметры

Располо-

жение

Кол-во комнат

этаж

этажность

Общая площадь

Жилая площадь

Площадь кухни

Материал стен

Отклонение от фактической цены

2791,78

2385,1

1462,96

1481,06

1801,29

1288,15

2007,83

2167,41

Тип дома

Балкон/лоджия

Телефон

Состояние квартиры

Все

2589,86

2083,96

1909,036

1656,27

839,42

Полученные результаты представлены на рис.5.

Рис.5 Зависимость погрешности от факторов

Таким образом, из приведенного выше графика видно, что наиболее значимыми входными параметрами являются такие параметры, как «Расположение по отношению к центру», «тип дома», «количество комнат», «материал стен». Из графика видно, что наименьшее влияние на среднюю стоимость имеют «жилая площадь», «этаж» и «этажность» и «состояние квартиры».


Вывод

В заключение необходимо отметить, что использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей, отчасти по необходимости и из-за широких возможностей для одних, из-за престижности для других и из-за интересных приложений для третьих.

В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят - и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы.

Применение искусственных нейронных сетей при оценке стоимости недвижимости имеет свои адекватные причины. Проблема жилья стоит достаточно остро не только в Пермском крае, но и по всей России, и волнует не только профессиональных оценщиков, людей, вкладывающих в недвижимость, но и рядовых граждан, которые ищут наиболее простые способы оценки стоимости квартир. При определённых наработках нейронные сети позволят любому гражданину, не имеющему специального образования, при наличии готового программного продукта, оценить стоимость интересующего жилья.

В данной работе были выбраны значимые факторы, выявлено оптимальное количество нейронов на скрытом слое, обучена нейронная сеть и оценена степень влияния рассмотренных параметров на конечную стоимость квадратного метра объекта недвижимости.

Данная модель имеет достаточно обобщённый характер, но, всё-таки, позволяет сделать определённые выводы при прогнозировании стоимости жилой недвижимости, даёт представление об общей ситуации, складывающейся на рынке недвижимости. На этой основе её достаточно легко вносить свои корректировки, добавлять новые входные параметры, уточнять их, чтобы учесть специфику рынка.

Список литературы:

  1.  Нейрокомпьютеры   http://dfe3300.karelia.ru/koi/www/neucom.html
  2.  Нейрокомпьютеры  http://www.w3.org/1999/xhtml
  3.  НЕЙРОННАЯ СЕТЬ - ОРУЖИЕ ФИНАНСИСТА
    Андрей МАСАЛОВИЧ
    http://fx-trader.narod.ru/Nn_fin2.htm
  4.  Нейронные сети: на пороге будущего http://www.neuroproject.ru/articles_dak_nn.php
  5.  Нейронные сети http://www.softportal.us/hotarticles/282
  6.  Доклад на тему: Нейрокомпьютер: принципы организации и функционирования http://www.info.uniyar.ac.ru/dkm/edu/msd/students/2000/11/
  7.   Нейронные сети http://www.statsoft.ru/home/textbook/modules/stneunet.html

1 Нейронные сети http://www.statsoft.ru/home/textbook/modules/stneunet.html


 

А также другие работы, которые могут Вас заинтересовать

60223. Сценарій конкурсу знавців української мови «А нумо, українці!» 607.5 KB
  Жовті Води Сценарій конкурсу знавців української мови А нумо українці Ведучий 1: Громадянин будьякої країни відчуває свою причетність до свого народу до своєї мови. Ведучий 2: Життя мови залежить від народу...
60224. Цветы в фольклоре народов мира и произведениях русских поэтов и писателей 159 KB
  Цель: показать многообразие, красоту, неповторимость природных форм и красок растительного мира.
60225. КРІЗЬ ПЕКЛО АФГАНСЬКОЇ ВІЙНИ 679.5 KB
  Слайд 11 Втрати За уточненими даними всього у війні Радянська Армія втратила 14 427 чоловік КДБ 576 чоловік МВС 28 чоловік загиблими і зниклими безвісти. Поранення і контузії отримали більше...
60226. Берегині рідного краю 551.5 KB
  1 учень. Щасливі мої письма що в рученьках твоїх бувають ніж мої очі що тебе не оглядають. Слайд 3 1 учень Трагічно склалися взаємини між юною Кочубеївною та гетьманом. 1 учень Тут доречні слова письменника Богдана Лепкого...
60227. Як Берізка листя роздарувала 125.5 KB
  Мета: ознайомити учнів з творами українських письменників, які описували красу осені. Удосконалювати вміння виразно, правильно, інтонаційно читати та розказувати текст, співати пісні, танцювати.
60229. Свято «Чаювання – родинна традиція» 142.5 KB
  Розширити уявлення учнів про напій який виготовляють люди а саме чай. Сьогодні чай називають напоєм №1. Чай це прекрасний корисний напій який тамує спрагу знімає втому додає бадьорості підіймає настрій.
60230. Поспішайте робити добро! 47.5 KB
  Мета: формувати уявлення дітей про моральні якості людини – доброту, доброзичливість; проектувати стратегії своєї поведінки з урахуванням інтересів та потреб інших; удосконалювати уміння аналізувати власні вчинки...
60231. Милосердя і доброта - людства два крила 517.5 KB
  Навчальна:дати визначення поняттю «добро». На основі християнської та загальнолюдської моралі формувати в учнів риси людяності допомогти тим, хто в біді; наголосити на важливості гармонії виховання у сімї та школі.