Redes neurales aplicadas al avalúo inmobiliario

Abstract

El propósito de este trabajo, es investigar la aplicación de la tecnología de redes neurales en la elaboración de Avalúos Inmobiliarios. Ante el declive de los análisis de regresión múltiple frente a la dinámica del mercado inmobiliario, causado principalmente por la discapacidad de los paquetes estadísticos de considerar algo mas que reglas y modelos matemáticos rígidos. Se comparó la habilidad predictiva de una red neural con modelos de regresión múltiple, obteniendo como resultado: En tareas de predicción las redes neurales y los modelos de regresión múltiple generan similares resultados; mientras que para tareas de clasificación las redes neurales rinden mejor.

1.0 Introducción a la Inteligencia Artificial

La Red Neural Artificial (RNA) Desde hace años, algunos investigadores han estado creando modelos que simulan la actividad cerebral, en un esfuerzo por producir una forma de inteligencia artificial. Las RNA están compuestas de un gran número elementos de procesamiento profundamente interconectados (Neuronas) trabajando simultáneamente para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia. En cualquier caso, se trata de una nueva forma de computo, que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real, ofreciendo soluciones precisas y de fácil implementación. Las RNA están compuestas de muchos elementos sencillos que operan simultáneamente, el diseño de la red está determinado mayormente por las conexiones entre sus elementos, simulando de esta forma las conexiones de las neuronas cerebrales.

1.2 Operación de una Red Neural Artificial:

1.2.1 Los Pesos: Las RNA puede tener factores de peso fijos o adaptables. Las que tienen pesos adaptables emplean leyes de aprendizaje internas para ajustar el valor de la fuerza de interconexión con otras neuronas; de tal manera que los pesos adaptables son esenciales si no se conoce previamente cual deberá ser el valor correcto de los mismos.

Para aquellos software que utilicen rutinas de pesos variables, los mismos serán determinados automáticamente por el programa a partir de la descripción del problema.

Si las neuronas utilizan pesos fijos, entonces su valor o expresión matemática deberá estar previamente definida y será independiente del tipo de datos a procesar por la red.

1.2.2 Las Leyes de Aprendizaje: Son aquellas que determinan como la red ajustará sus pesos utilizando una función del error o algún otro criterio. La ley de aprendizaje o entrenamiento adecuada, será determina la RNA en base a la naturaleza del problema que intenta resolver.

1.2.3 Tipos de Aprendizaje: Existen dos tipo de aprendizaje o entrenamiento: Supervisado y No Supervisado. El primero ocurre cuando se le proporciona a la RNA tanto los datos de entrada como los de salida; de tal manera que la red ajusta sus pesos tratando de minimizar el error de salida calculada. El aprendizaje o entrenamiento no supervisado se presenta cuando a la RNA se le proporcionan únicamente los Datos de entrada, y la red ajusta sus interconexiones basándose únicamente en dichos datos y la salida de la propia red (este tipo de entrenamiento no será utilizado para esta monografía).

1.2.4 Fases de Operación de una RNA:

1.2.4.1 Entrenamiento o Aprendizaje de la Red: El usuario proporciona a la red un número preciso de datos de entrada y salida; la red entonces ajusta su pesos de interconexión o sinapsis hasta que la salida de la red se aproxime a la salida correcta.

1.2.4.2 Recuperación de lo Aprendido: A la red se le presenta un conjunto de datos de entrada y salida similares, y esta simplemente recalcula la salida correcta. Por lo tanto el conocimiento o capacidad de dar una respuesta de una RNA, se encuentra en la Función de Activación utilizada y en los valores de sus Pesos.

1.2.5 Características de una RNA:

2.2.5.1 No son algorítmicas: La gran diferencia del empleo de las redes neuronales en relación con otras aplicaciones como lo es la Regresión Múltiple; radica en que las RNA no son algorítmicas, es decir que no se programan obligándoles a seguir una secuencia predefinida de instrucciones. Las RNA generan ellas mismas sus propias "reglas", para asociar una respuesta a sus entradas. Aprende por ejemplos y de sus propios errores.

2.2.5.2 Asocian y generalizan sin reglas: Tal como lo hace el cerebro humano

2.2.5.3 Requieren de algún tipo de patrón: Las RNA, no son capaces de reconocer nada que no tenga adjuntamente algún tipo de patrón. Es por esto, que no pueden predecir la lotería ni las carreras de caballos ya que por definición son procesos al azar.

2.2.5.4 La solución dependerá de la forma de hacer las conexiones: Así como existen varias formas de conectar neurona biológicas en nuestro cerebro; la solución a un problema variará de acuerdo a la topología de una RNA.

2.3 Topologías de Redes Neurales Artificiales Existen varias formas de hacer las conexiones en una RNA. Cada tipo sirve para diferentes procesos; algunas de las topologías mas comúnmente usadas son:

• Perceptrón Multicapa

• Retropropagación (Backpropagation)

• Hopfield

Partes: 1, 2