Оценка стоимости квартир с помощью нейронной сети Кохонена

Министерство образования и науки Российской Федерации

Федеральное агентство по образованию

ГОУВПО “Комсомольский-на-Амуре государственный технический университет”

Факультет компьютерных технологий

Кафедра информационных систем

РАСЧЕТНО-ГРАФИЧЕСКОЕ ЗАДАНИЕ

по курсу: «Искусственные нейронные сети»

Тема: «Оценка стоимости квартир

с помощью нейронной сети Кохонена»

Исполнитель: Шурман С.С.

Студент группы 4ПИ-1

Преподаватель: Магола Д.С.

2007

Содержание

Введение…………………………………………………………………...……3

1.Теоретические сведения……………………………………………..……….4

1.1. Понятие кластеризации……………………………………………..4

1.2. Сеть Кохонена……………………………………………………….4

1.3. Некоторые сведения о проведении оценки недвижимости………5

2.Методика оценки квартир…………………………………………..………..6

2.1. Входные данные……………………………………………………..6

2.2. Кластеризация данных в среде Matlab……………………………..7

Вывод…………………………………………………………………………....11

Список используемых источников……………………………………………11

Введение

В данной работе предложена и частично реализована методика оценки недвижимости. На сегодняшний день автоматизация процессов оценки недвижимости незначительна. Вся работа производится человеком, который, ориентируясь на множество факторов, производит оценку.

1. Теоретические сведения

1.1. Понятие кластеризации

Задача кластеризации (категоризации, классификации «без учителя») – это задача размещения входных векторов по категориям так, чтобы близкие векторы оказались в одной категории. Отличие задачи кластеризации от похожей классификации заключается в том, что набор категорий изначально не задан и определяется в процессе обучения нейронной сети. Примером задачи кластеризации может служить задача сжатия информации путем уменьшения разнообразных данных. Методы кластеризации при помощи нейронных сетей являются развитием классических методов кластеризации.

1.2. Сеть Кохонена

В своей простейшей форме слой Кохонена функционирует в духе «победитель забирает все», т.е. для данного входного вектора один и только один нейрон Кохонена выдает на выходе логическую единицу, все остальные выдают ноль. Нейроны Кохонена можно воспринимать как набор электрических лампочек, так что для любого входного вектора загорается одна из них.

Ассоциированное с каждым нейроном Кохонена множество весов соединяет его с каждым входом. Нейрон Кохонена К₁ имеет веса w₁₁, w₂₁, …, w_m1, составляющие весовой вектор . Они соединяются через входной слой с входными сигналами х₁, x₂, …, x_m, составляющими входной вектор x. Подобно нейронам большинства сетей выход z каждого нейрона Кохонена является просто суммой взвешенных входов. Это может быть выражено следующим образом:

z_j = w_1jx₁+ w_2jx₂+ … + w_mjx_m,,

где z_j– это выход z нейрона Кохонена j,

, или в векторной записи

,

где z – вектор выходов zслоя Кохонена.

Нейрон Кохонена с максимальным значением z является победителем». Его выход равен единице, у остальных он равен нулю.

Обучение Кохонена является самообучением, протекающим «без учителя». Поэтому трудно (и не нужно) предсказывать, какой именно нейрон   Кохонена будет активироваться для заданного входного вектора. Необходимо лишь гарантировать, чтобы в результате обучения разделялись несхожие входные векторы.

1.3. Некоторые сведения о проведении оценки недвижимости

На сегодняшний  день процесс оценки имущества производится экспертом или группой экспертов, владеющих различной информацией и имеющих значительный опыт в данной области. Информация носит разрозненный характер, будь то место расположения квартиры или номер этажа. При этом эксперт, делающий оценку, ориентируется на большое количество факторов, степень влияния которых он до конца не представляет. Возникает вопрос: можно ли, имея большое количество данных о квартирах, их характеристики и различные параметры, каким-либо образом выявить наиболее однородные группы с небольшим разбросом внутри группы.

Задача выделения однородных групп без заранее известного критерия отбора в группы подходит под задачу кластеризации. Таким образом, при проведении    кластеризации большого объема статистической информации можно проследить взаимосвязь факторов, влияющих на цену квартиры.

2. Методика оценки квартир

2.1. Входные данные

Для проведения кластеризации возьмем данные о выставленных на продажу однокомнатных квартирах города Комсомольска-на-Амуре (газета