data. Models with various alternati

data. Models with various alternative architectures were generated, initially exploring models with the same 11 inputs of equation (9.10), and variable numbers of hidden nodes (1, 2, 11, 22 and 33 hidden nodes). The best results were on the 11:11:1 network. Error ftgures were 13.13% of MAPE and 2285 of RMSE for test data and 13.05% and 2242, respectively, for training data. The results point to similarities between regression and neural models, in terms of precision of the estimates.
To make the rule extraction phase easy, tanh(X/2) activation func- tions were used. The format of this function is numerically equivalent to logistic[−1,1] function, and it has some advantages, such as more simple
derivatives (Cechin, 1998). In the fuzzy rule extraction constant fuzzy sets
were used, with three membership functions, such as deftned in Figure 9.3. All cases and neurons were adjusted to the F2 membership function (see equation (9.4)), generating a single rule. The error of the system was high, with a RMSE = 4539 and MAPE = 31.42% for test data. Examining the rule extracted and the distribution of calculated values, one can obtain informa- tion to reftne this rule. In this case, the error sum was very different from zero. Using an analogy with regression models, the constant of the rule was corrected (sintonized), and the error reduced to RMSE = 2398 and MAPE = 14.57% to test data and 2372 and 14.29% to training data, respectively. The ftnal rule is that presented in the following equation.

R1 : IF True THEN SP
= ( 301.952 + 14.671 ∗ GBA + 228.492 ∗ NGBA_Ratio
+ 221.516 ∗ Med + 631.527 ∗ Fine + 1215.245 ∗ Lux − 9.121 ∗ Age
+ 5.629 ∗ District − 12.551 ∗ Dist_CBD − 31.739 ∗ Dist_Commerce
+ 861.901 ∗ View − 5.611 ∗ Month)4/3 (9.11)
There is a noticeable similarity between this rule and the regression model. Signals and absolute values of the coefftcients are similar. Both systems are equivalent, in terms of error level and resultant models. This fuzzy rule may then to be considered a hedonic equation, and then its coefftcients are implicit prices of the characteristics. In this case, the original activation functions run on a straight interval, and one linear segment for each hidden neuron is able to explain the majority of variations. This is a really simple and easy-to-understand formula. Exploration with other data indicated similar results. There are interesting properties in the use of FAGNIS to generate fuzzy rules on neural-mass appraisal models. The main disadvantage of this approach is the need to use two tools (neural networks and fuzzy logic) thus increasing the complexity and time of processing. On the other hand, neural networks do not require an initial speciftcation of the model format, and this is an important issue in computer assisted mass appraisal (CAMA), because of the large scope of the models.

Developing Mass Appraisal Models with Fuzzy Systems 197


Fuzzy rules based on GBA
The third model consists of a fuzzy rule-based system based on the gross building area (GBA) of the properties. Five conftgurations were tested, gen- erating systems with 3 to 7 TSK rules. These systems use rules with this format: Ri: IF GBA is Ai THEN yi= (modeli), where GBA is the property area, Ai are the membership functions, yi is the partial appraisal of the properties and modeli are the equations extracted from database by a GA, with i = [1, 5]. The set of membership functions have an aspect such as that in Figure 9.4, and the functions are deftned as explained above.
Several conftgurations to GBA-limits were tested. The limits of the fuzzy sets and the coefftcients of the models were determined simultaneously (cod- ifted in the same chromosome). However, these limits to GBA were based only on selection (the values of original population were not changed). This approach was preferred because it increased the stability in the evolution of the rule system. The parameters for the GA were 5% for elitist selection, 90% for crossing, and 5% for mutation.
The fttness function follows equation (9.6). The adjustment of the 5 fuzzy systems was developed and the results indicated a relative equilib- rium among the systems. The 3-rules system was preferred, since it is less complex, with easier interpretation. The absolute values and signals of the calculated coefftcients are coherent with the expectations (see Box 9.1). This system presents rules that are individually similar to the MRA model, with some small differences. The residual measure for the set of three rules
was stabilized in 115 cycles of the algorithm, generating errors such as MAPE = 14.14% and RMSE = 2322 for the test sample and MAPE = 14.14% and RMSE = 2277 for the training set. The transition of membership

Kết quả (Việt) 1:

dữ liệu. Với kiến trúc khác nhau thay thế các mô hình đã được tạo ra, bước đầu khám phá các mô hình với các đầu vào 11 cùng một số phương trình (9.10), và biến các ẩn nút (1, 2, 11, 22 và 33 ẩn nút). Kết quả tốt nhất là trên mạng 11:11:1. Lỗi ftgures đã là 13.13% của MAPE và 2285 Whattheschmidt dữ liệu thử nghiệm và 13.05% và 2242, tương ứng, cho dữ liệu đào tạo. Kết quả điểm tương đồng giữa các hồi quy và các mô hình thần kinh, về độ chính xác của các ước tính.Để thực hiện giai đoạn khai thác quy tắc dễ dàng, tanh(X/2) kích hoạt func-tions được sử dụng. Định dạng của chức năng này là số lượng tương đương với logistic [−1, 1] chức năng, và nó có một số lợi thế, chẳng hạn như đơn giản hơndẫn xuất (Cechin, 1998). Trong các liên tục khai thác quy tắc mờ mờ bộđược sử dụng, với ba thành viên chức năng, chẳng hạn như deftned trong hình 9.3. Tất cả các trường hợp và tế bào thần kinh đã được điều chỉnh để các thành viên F2 hoạt động (xem phương trình (9.4)), tạo ra một quy tắc duy nhất. Các lỗi của hệ thống đã được cao, với một Whattheschmidt = 4539 và MAPE = 31.42% cho dữ liệu thử nghiệm. Xem xét các quy tắc được chiết xuất và phân phối giá trị tính toán, một trong những có thể lấy informa tion để reftne quy tắc này. Trong trường hợp này, tổng lỗi là rất khác nhau từ số không. Sử dụng một tương tự với mô hình hồi qui, liên tục của các quy tắc đã là sửa chữa (sintonized), và lỗi giảm đến Whattheschmidt = 2398 và MAPE = 14.57% để kiểm tra dữ liệu và 2372 và 14,29% dữ liệu đào tạo, tương ứng. Quy tắc ftnal là trình bày trong phương trình sau đây.R1: NẾU đúng THÌ SP= (301.952 + 14.671 ∗ GBA + 228.492 ∗ NGBA_Ratio+ 221.516 ∗ ∗ Med + 631.527 Mỹ + 1215.245 ∗ Lux − 9.121 ∗ tuổi+ 5.629 ∗ huyện − 12.551 ∗ Dist_CBD − 31.739 ∗ Dist_Commerce+ 861.901 ∗ View − 5.611 ∗ tháng) 4/3 (9.11)Đó là một sự tương đồng đáng chú ý giữa các quy tắc này và các mô hình hồi qui. Tín hiệu và giá trị tuyệt đối của các coefftcients là giống nhau. Cả hai hệ thống là tương đương, về mức độ lỗi và kết quả các mô hình. Quy tắc mờ này sau đó có thể được coi là một phương trình hedonic, và sau đó coefftcients nó đang giá tiềm ẩn của các đặc tính. Trong trường hợp này, các chức năng kích hoạt ban đầu chạy trên một khoảng thời gian thẳng và một đoạn tuyến tính cho mỗi tế bào thần kinh ẩn có thể giải thích phần lớn các biến thể. Đây là một công thức thật sự đơn giản và dễ hiểu. Thăm dò với các dữ liệu chỉ ra kết quả tương tự. Có những đặc tính thú vị trong việc sử dụng FAGNIS để tạo ra các quy tắc mờ trên mô hình thần kinh khối lượng thẩm định. Những bất lợi chính của phương pháp này là cần thiết để sử dụng hai công cụ (thần kinh mạng lưới và lôgic) do đó tăng sự phức tạp và thời gian chế biến. Mặt khác, mạng nơ-ron không yêu cầu một speciftcation ban đầu của các định dạng mô hình, và điều này là một vấn đề quan trọng trong máy tính hỗ trợ khối lượng thẩm định (CAMA), vì phạm vi lớn của các mô hình. Phát triển các khối lượng thẩm định các mô hình với hệ thống mờ 197Mờ quy tắc dựa trên GBABa mẫu bao gồm một hệ thống dựa trên quy tắc mờ dựa trên tòa nhà tổng diện tích (GBA) các tài sản. 5 conftgurations đã là thử nghiệm, gen-erating hệ thống với 3 đến 7 TSK quy tắc. Các hệ thống này sử dụng quy tắc với định dạng này: Ri: NẾU GBA là Ai THÌ yi = (modeli), nơi GBA là lĩnh vực bất động sản, Ai là những chức năng thành viên, yi là thẩm định một phần của tài sản và modeli là các phương trình được chiết xuất từ cơ sở dữ liệu của một GA, với i = [1, 5]. Tập hợp các chức năng thành viên có một khía cạnh như trong hình 9.4, và các chức năng deftned như đã giải thích ở trên.Một vài conftgurations GBA-giới hạn đã được thử nghiệm. Các giới hạn của các bộ mờ và coefftcients của các mô hình đã được xác định cùng một lúc (cod-ifted trong cùng một nhiễm sắc thể). Tuy nhiên, các giới hạn để GBA được chỉ dựa trên lựa chọn (các giá trị của dân bản gốc không thay đổi). Cách tiếp cận này được ưa thích bởi vì nó tăng ổn định trong sự tiến hóa của hệ thống quy tắc. Các tham số cho các GA là 5% cho các elitist lựa chọn, 90% cho đi qua và 5% cho đột biến.Chức năng fttness theo phương trình (9.6). Điều chỉnh 5 hệ thống mờ đã được phát triển và kết quả chỉ ra một equilib tương đối rium trong số các hệ thống. Hệ thống quy tắc 3 được ưa thích, vì nó là ít phức tạp, với giải thích dễ dàng hơn. Giá trị tuyệt đối và tín hiệu của coefftcients tính toán được chặt chẽ với những kỳ vọng (xem hộp 9.1). Hệ thống này trình bày quy tắc cá nhân tương tự như các model MRA, với một số khác biệt nhỏ. Các biện pháp còn sót lại cho ba qui địnhđược ổn định trong các chu kỳ 115 của thuật toán, tạo ra các lỗi như MAPE = 14.14% và Whattheschmidt = 2322 cho thử nghiệm mẫu và MAPE = 14.14% và Whattheschmidt = 2277 cho tập huấn luyện. Quá trình chuyển đổi của các thành viên

Kết quả (Việt) 2:

dữ liệu. Các mô hình với kiến trúc thay thế khác nhau được tạo ra, bước đầu khám phá các mô hình với cùng 11 đầu vào của phương trình (9.10), và số biến của các nút ẩn (1, 2, 11, 22 và 33 nút ẩn). Kết quả tốt nhất là trên 11: mạng 1: 11. Ftgures Lỗi là 13.13% của MAPE và 2285 của RMSE cho dữ liệu thử nghiệm và 13,05% và 2242, tương ứng, cho dữ liệu huấn luyện. Các kết quả chỉ ra sự tương đồng giữa các hồi quy và mô hình thần kinh, về độ chính xác của dự toán.
Để làm cho giai đoạn khai thác nguyên tắc đơn giản, tanh (X / 2) tions kích hoạt hàm được sử dụng. Định dạng của chức năng này là số lượng tương đương với hậu cần [-1,1] chức năng, và nó có một số ưu điểm như đơn giản hơn
các dẫn xuất (Cechin, 1998). Trong khai thác quy tắc mờ tập mờ liên tục
được sử dụng, với ba chức năng thành viên, chẳng hạn như deftned trong hình 9.3. Tất cả các trường hợp và tế bào thần kinh đã được điều chỉnh để các hàm thành viên F2 (xem phương trình (9.4)), tạo ra một quy tắc duy nhất. Các lỗi của hệ thống là rất cao, với một RMSE = 4539 và MAPE = 31,42% đối với dữ liệu thử nghiệm. Kiểm tra quy tắc trích xuất và phân phối các giá trị tính toán, người ta có thể có được sự informa- để reftne quy tắc này. Trong trường hợp này, tổng lỗi là rất khác nhau từ số không. Sử dụng một tương tự với mô hình hồi quy, hằng số của các quy tắc đã được sửa chữa (sintonized), và các lỗi giảm xuống RMSE = 2398 và MAPE = 14,57% để kiểm tra dữ liệu và 2372 và 14,29% cho dữ liệu huấn luyện, tương ứng. Các quy tắc ftnal là thể hiện trong phương trình sau đây.

R1: NẾU Đúng THEN SP
= (301,952 + 14,671 * GBA + 228,492 * NGBA_Ratio
+ 221,516 * Med + 631,527 * Fine + 1215,245 * Lux - 9,121 * Age
+ 5,629 * Quận - 12,551 * Dist_CBD - 31,739 * Dist_Commerce
+ 861,901 * View - 5,611 * Tháng) 4/3 (9.11)
có một sự tương đồng đáng chú ý giữa quy tắc này và các mô hình hồi quy. Tín hiệu và giá trị tuyệt đối của coefftcients là tương tự. Cả hai hệ thống là tương đương, về mức độ lỗi và các mô hình kết quả. Quy tắc mờ này có thể sau đó sẽ được coi là một phương trình hưởng thụ, và sau đó coefftcients của nó là giá tiềm ẩn của những đặc điểm. Trong trường hợp này, các chức năng kích hoạt ban đầu chạy trên một khoảng thẳng, và một đoạn tuyến tính cho mỗi nơron ẩn có thể giải thích phần lớn các biến thể. Đây là một công thức rất đơn giản và dễ hiểu. Thăm dò với các dữ liệu khác cũng cho kết quả tương tự. Có tính chất thú vị trong việc sử dụng FAGNIS để tạo ra quy tắc mờ trên mô hình thẩm định thần kinh đại chúng. Nhược điểm chính của phương pháp này là cần thiết để sử dụng hai công cụ (mạng nơron và logic mờ) do đó làm tăng sự phức tạp và thời gian chế biến. Mặt khác, mạng lưới thần kinh không đòi hỏi một speciftcation ban đầu của mô hình định dạng, và điều này là một vấn đề quan trọng trong máy tính hỗ trợ thẩm định khối lượng (CAMA), vì phạm vi rộng lớn của các mô hình.

Phát triển các Thánh Lễ Thẩm định mô hình với hệ thống Fuzzy 197


luật mờ dựa trên GBA
mô hình thứ ba bao gồm một hệ thống dựa trên luật lệ mờ dựa trên diện tích xây dựng gộp (GBA) của tài sản. Năm conftgurations đã được thử nghiệm, hệ thống erating gen- với 3-7 quy TSK. Những hệ thống này sử dụng các quy tắc với định dạng này: Ri: NẾU GBA là Ai THEN yi = (modeli), nơi GBA là khu vực bất động sản, Ai là hàm thành viên, yi là thẩm định một phần của tài sản và modeli là các phương trình chiết xuất từ cơ sở dữ liệu bởi một GA, với i = [1, 5]. Tập hợp các hàm thành viên có một khía cạnh như trong hình 9.4, và các chức năng được deftned như đã giải thích ở trên.
Một số conftgurations để GBA hạn đã được thử nghiệm. Những giới hạn của tập mờ và coefftcients của các mô hình được xác định đồng thời (cod- ifted trong nhiễm sắc thể giống nhau). Tuy nhiên, những giới hạn để GBA được chỉ dựa trên lựa chọn (các giá trị của dân số ban đầu đã không thay đổi). Cách tiếp cận này được ưa thích vì nó làm tăng sự ổn định trong sự phát triển của hệ thống quy tắc. Các thông số cho GA là 5% đối với lựa chọn tinh hoa, 90% cho qua, và 5% đối với đột biến.
Các chức năng fttness sau phương trình (9.6). Việc điều chỉnh của 5 hệ thống mờ đã được phát triển và kết quả chỉ ra một điểm cân bằng tương đối giữa các hệ thống. Hệ thống 3-tắc được ưa thích, vì nó ít phức tạp, với cách giải thích dễ dàng hơn. Các giá trị tuyệt đối và tín hiệu của coefftcients tính là mạch lạc với sự mong đợi (xem Hộp 9.1). Hệ thống này trình bày quy tắc đó là cá nhân tương tự như mô hình MRA, với một số khác biệt nhỏ. Các biện pháp còn lại cho bộ ba quy tắc
đã được ổn định trong 115 chu kỳ của thuật toán, tạo ra các lỗi như MAPE = 14,14% và RMSE = 2322 cho các mẫu thử nghiệm và MAPE = 14,14% và RMSE = 2277 cho tập huấn luyện. Sự chuyển đổi của thành viên

Kết quả (Việt) 3:

Dữ liệu.Cùng với các kiến trúc thay thế mô hình tạo ra, lần đầu tiên khám phá những mô hình này có cùng 11 nhập vào phương trình (9.10), và biến số ẩn nút (1, 2, 11, 22 và 33 người che giấu các nút).Kết quả tốt nhất là ở 11:11:1 Network.Sai lầm của 2285 ftgures 13.13% MAPE và dữ liệu thử nghiệm và 13.05% và 2242, biệt riêng cho sai số của tập dữ liệu.Kết quả điểm trở lại mô hình thần kinh và sự giống nhau giữa, ở độ chính xác trong việc ước lượng.Làm luật, chiết xuất từ giai đoạn dễ, tanh (X / 2) đều sử dụng chức năng kích hoạt.Định dạng của hàm này, giá trị tương đương với Logistics [− 1,1], chức năng, và có lợi thế nhất định, như đơn giản hơn.Phái sinh (cechin, 1998).Trong quy định trích liên tục tập mờ mờSử dụng ba thuộc chức năng, như trong biểu đồ 9.3 cập nhật.Tất cả các trường hợp và điều chỉnh chức năng của các tế bào thần kinh đến F2 thuộc (xem công thức (9.4)), tạo ra một quy luật.Sai lầm của hệ thống có tỷ lệ rất cao, với RMSE = = = = = = = = 4539 và MAPE dữ liệu thử nghiệm 31.42%.Kiểm tra thường xuyên trích và tính toán giá trị phân phối, có thể lấy thông tin, và reftne quy định này.Trong trường hợp này, lỗi và rất khác 0.Một ví dụ về sự trở lại của sử dụng mô hình, thường xuyên liên tục sửa lỗi (sintonized), và RMSE = 2398 = 14.57% và MAPE kiểm tra dữ liệu và 2372 và 14.29% dữ liệu huấn luyện, riêng biệt.Ftnal của luật lệ, trong phương trình dưới đây.Cô: nếu thật sự SP= = = = (301.952 + 14.671 + 228.492 ∗ ngba_ratio ∗ GBA+ 221.516 + 631.527 + ∗ y học ∗ phạt 1215.245 ∗ − 9.121 ∗ tuổi.Khu vực ∗ 5.629 − 12.551 ∗ dist_cbd − 31.739 ∗ dist_commerce861.901 ∗ quan − 5.611 ∗ tháng) 4 / 3 (9.11)Đây là một mô hình có quy tắc và trở lại giữa. Rõ ràng là giống nhau.Tín hiệu coefftcients giá trị tuyệt đối ở gần.Hai hệ thống này là tương đương, ở mức độ, sự sai lầm và tạo ra một mô hình.Cái bóng mờ quy luật có thể được coi là một phương trình, sau đó coefftcients là đặc trưng của ngầm giá.Trong trường hợp này, ban đầu hoạt động chức năng của một đường thẳng chạy trong thời gian tuyến tính, và một phần vì các tế bào thần kinh tiềm ẩn có thể giải thích hầu hết các thay đổi là.Đây là một công thức rất đơn giản và dễ hiểu.Khám phá và hiển thị dữ liệu khác. Kết quả tương tự.Ở fagnis sử dụng tính chất thú vị để tạo ra mô hình đánh giá chất lượng thần kinh của luật mờ.Nhược điểm của phương pháp này chính là cần phải sử dụng hai công cụ (mạng lưới thần kinh và logic mờ), do đó làm tăng sự phức tạp và thời gian xử lý.Mặt khác, mạng lưới thần kinh không cần mô hình dạng ban đầu của speciftcation, đây là máy tính hỗ trợ đánh giá chất lượng là một vấn đề quan trọng (CAMA), do phạm vi lớn của mô hình.Sử dụng mô hình phát triển hệ thống đánh giá chất lượng 197 mờ.Dựa trên nguyên tắc của GBA mờ.Mô hình thứ ba là do một dựa trên tổng diện tích xây dựng hệ thống luật mờ (GBA) Performance.Năm conftgurations kiểm tra hệ thống rễ 3 đến 7 TSK quy định.Hệ thống này được sử dụng thường xuyên, định dạng này: ngày GBA là: nếu ai người Lô Lô = (mẫu), trong khu vực của GBA là, ai thuộc độ chức năng, một là và Model Performance được đánh giá qua Gael phần dữ liệu được chiết xuất từ phương trình, ta = [1, 5].Bên cạnh chức năng thuộc tập hợp có một chức năng như đồ 9.4, và cập nhật cho biết.Đến GBA vài conftgurations để hạn chế.Trong khi đó chắc chắn rồi tập mờ và mô hình coefftcients giới hạn (COD ifted ở trên cùng một nhiễm sắc thể).Tuy nhiên, những hạn chế về GBA chỉ dựa trên lựa chọn (dân số gốc giá trị không thay đổi).Phương pháp này là sở thích, vì nó làm tăng sự ổn định của hệ thống luật tiến hóa.Giải thuật di truyền phân biệt với các tham số cho năm thế nào cho Elite chọn, Cross, đột biến và 5,0%.Chức năng của phương trình sau: fttness (9.6).Phát triển hệ thống 5 người mờ và kết quả điều chỉnh của hệ thống cân bằng tương đối cân bằng giữa.3-rules của hệ thống còn tốt hơn, bởi vì nó là quá phức tạp, dễ dàng hơn để giải thích.Giá trị tuyệt đối và tính toán liên quan coefftcients mong đợi (xem tín hiệu hộp 9.1).Hệ thống này đã đưa ra mô hình tương tự như luật phân biệt MRA, có một vài điểm khác biệt nhỏ.Với ba người còn lại đã quy tập về đo lườngTrong chu kỳ của 115 một thuật toán ổn định, điện khi lỗi MAPE = 14.14% và RMSE = 2322 mẫu thử và MAPE = = = = = = = = 2277 14.14%, RMSE cho luyện tập.Thành viên chuyển tiếp