4.3 人工神经网络

人工神经网络(ANN, Artificial Neural Networks)最近在不动产估价模型中应用的校准技术。人工神经网络这一概念借鉴自生物学中人类大脑的思考模式。人工神经网络范式的关键因素在于信息处理系统新奇的结构。它是由大量的类似于突触通过加权的形式链接神经元的形式构成的。顾名思义，人工神经网络像其他任何的一种校准方法一样近似模拟人类的思维模式。像非线性回归和反馈机制(例如上文所述的AEP技术，译者注)神经网络的校准可同时包括线性和非线性方法。用户输入每个变量以及分配每个权重(系数值)。

软件通过在神经网络中通过调节权重调节的隐藏层减少数据中的误差。这个过程与反馈机制和非线性回归分析十分相似。而对市场分析师而言，模型最终计算得到输出结果中单个估计值的方程是隐藏在模型中的(一般的神经网络往往有更好的预测结果，但模型的解释性较差，设计及使用者很难完整的剖析其中机制，译者注)。

4.3.1 人工神经元

人工神经元是神经网络的基本单元，人工神经元模拟了自然神经元的四个基本功能。这些功能是输入、处理输入(累加)、传递(线性、S形函数、正弦函数等等)，以及输出结果(S形函数即Sigmoid函数，是多数神经网络采用的调整函数，译者注)。人工神经元比自然神经元要来的简单许多，图2便是人工神经元的基础结构。

数学符号X(n)是网络的输入。所有的输入均需要和链接的权值W(n)相乘。最简单的情况下，得到的结果将相加，并通过传递函数生成结果，并输出。

及时所有的人工神经网络都是从这种”积木”搭建而成的，而最终网络的结构却有可能千差万别。

4.3.2 神经网络的优势

1.神经网络的学习过程，将通过他采集并处理新的信息而不断进行和训练。

2.神经网络可识别并匹配复杂、模糊或不完整的数据。

3.例如可帮助提高数据质量的选项将在未来适用神经网络应用的过程中提高分析师的信心。

4.研究表明，神经网络的预测精度可与本标准文档中所述的其他集中校准方法具有可比性(人工神经网络模型的”容量”属性决定了其具有塑造任何函数的能力，而具有三层前馈神经网络具有对非线性函数具有任意精度逼近的能力，译者注)。

4.3.3 神经网络的劣势

1.隐藏层的实际计算过程是较为复杂的。

2.在输出阶段缺乏定义的模型结构，这让对模型的解释和对输出值的支持变得困难。

3.需要对数据分析、数据结构和数学概念由相当的背景。

4.不动产估值行业与科研机构的联系十分有限。

5.需要对计算机能力和软件耗费相当的成本。

(Gloudemans 1999, 329.)

更多IAAO自动估值模型标准——

范围及定义 用途及开发 模型质量及测试

复审及抗辩 建立模型 收益法评估 校准技术 回归分析 自适应技术

欢迎指正：[email protected]