XIV COBREAP

A TCNICA A SERVIO DO MERCADO

Redes Neurais Artificiais

IBAPE 2007

Eng. Antnio Pelli Neto

Mestre em Inteligncia Computacional UFMG

Salvador, novembro de 2007

0
Objetivo principal

Demonstrar o uso das Redes Neurais Artificiais e da Anlise de Envoltria

de Dados sob dupla tica nas avaliaes:

Comparativas do mercado imobilirio

De empreendimento de base imobiliria (Shopping Center, Hotis,
Hospitais, Universidades, etc...)
De base Industrial (Industrias de transformao)

Para as avaliaes de empreendimentos estas metodologias sero

utilizadas para estimar indicadores operacionais com base em sries
histricas e dados de mercado.
Estudo de caso: Avaliao de Complexo Hoteleiro

1
Contedo Programtico

Motivao RNA
Introduo RNA Porque RNA ?
Histrico RNA
Neurnio Biolgico
Neurnio Artificial MCP
Rede MCP Linearmente Separveis
Rede Adaline
Redes MLP
Treinamento / Validao
Mnimos Quadrados Viso Geral
Exerccios Mnimos Quadrados x RNA

2
Introduo O Que so as Redes Neurais Artificiais?

As Redes Neurais Artificiais (RNAs) so modelos matemticos

que se assemelham s estruturas neurais biolgicas e que tm

capacidade computacional adquirida por meio de aprendizado e

generalizao (Braga, Carvalho & Ludemir 2000, Haykin 1994)

3
Mtodo Comparativo de Dados de Mercado

Bens com caractersticas intrnsecas e extrnsecas semelhantes.

Tratamento dos dados com metodologias cientficas (NBR 14.653-2) :

Regresso Linear (mais utilizada no Brasil)

Redes Neurais Artificiais

Anlise Envoltria de Dados

Regresso Espacial

4
Avaliao de Imveis Etapas do processo

Vistoria do bem avaliando

Levantamento de dados de mercado

Construes de variveis

Modelagem de dados

Validao dos resultados

Determinao do valor de mercado

Elaborao do Laudo de Avaliao

5
Principais Dificuldades

As amostras apresentam elevado nvel de erros na

mensurao das variveis.

A maioria dos modelos apresentam relaes no lineares,

cujo tratamento no atingiu ainda parmetros satisfatrios de

anlise. 240

220

200
180
Valor/m2
160

140

120

100

80
60

500 1.000 1.500 2.000 2.500

Distncia polo comercial

6
Principais Dificuldades

As Amostras disponveis apresentam, via de regra, tamanho

reduzido e/ou so pouco representativas.

O alto grau de colinearidade entre variveis independentes,

impossibilita a identificao da verdadeira influncia de cada

atributo no valor.

7
Principais Dificuldades

A violao de certos pressupostos bsicos nos modelos de

regresso linear, nas anlises das amostras do mercado

imobilirio, principalmente no que se refere Normalidade e

homocedasticidade.

8
Motivao

NBR 14.653 (Parte 2 Avaliao de Imveis Urbanos)

8.2.1.4.3 - Tratamento cientfico

Quaisquer que sejam os modelos utilizados para inferir o comportamento do mercado e

formao de valores, devem ter seus pressupostos devidamente explicitados e testados.
Quando necessrio, devem ser intentadas medidas corretivas, com repercusso na
classificao dos graus de fundamentao e preciso.

Outras ferramentas analticas para a induo do comportamento do mercado,

consideradas de interesse pelo engenheiro de avaliaes, tais como redes neurais
artificiais, regresso espacial e anlise envoltria de dados, podem ser aplicadas, desde
que devidamente justificadas do ponto de vista terico e prtico, com a incluso de
validao, quando pertinente.

9
Motivao

Trabalhos desenvolvidos por profissionais rea

1999
ESTUDO DA INFLUNCIA DE LOTES NA ACESSIBILIDADE NO VALOR URBANOS
ATRAVS DE REDES NEURAIS - BRONDINO , Nair Cristina Margarido Tese de
Doutorado na Universidade de So Carlos - SP
2000
PLANTA DE VALORES UTILIZANDO INTELIGNCIA ARTIFICIAL - GONZLES Marco
Aurlio Stumpf - COBRAC 2000, Congresso Brasileiro de Cadastro Tcnico Multifinalitrio,
UFSC Florianpolis .
APLICAO DE REDES NEURAIS NA AVALIAO DE BENS - Uma Comparao com
a Anlise de Regresso GUEDES, Jackson Carvalho AVALIAR - II Simpsio Brasileiro
de Engenharia de Avaliaes GUEDES, Jackson Carvalho Setembro de 2000 So
Paulo - Pgs. Anais 3 a 10;
O EMPREGO DE INTELIGNCIA ARTIFICIAL NA AVALIAO DE BENS - GUEDES,
Jackson Carvalho.

10
Motivao

2001

ANLISE DA UTILIZAO DE INTELIGNCIA ARTIFICIAL NA DETERMINAO DE PLANTAS DE VALORES -

GONZLEZ, Marco Aurlio Stumpf (1); FORMOSO, Carlos Torres (2)

DUAS FERRAMENTAS PODEROSAS DISPOSIO DO ENGENHEIRO DE AVALIAES - MODELOS

LINEARES GENERALIZADOS E REDES NEURAIS - GUEDES, Jackson Carvalho - IBAPE XI COBREAP

Congresso Brasileiro de engenharia de Avaliaes e Percias - Vitria-ES

2002

MNIMOS QUADRADOS EFICAZES, REDES NEURAIS EFICIENTES - MELO, Brcio de AVALIAR - III Simpsio

Brasileiro de Engenharia de Avaliaes Curitiba-PR

APLICAO DE TCNICAS DE DESCOBRIMENTO DE CONHECIMENTO EM BASES DE DADOS E DE

INTELIGNCIA ARTIFICIAL EM AVALIAO DE IMVEIS. GONZLEZ, Marco Aurlio Stumpf - Tese (Doutorado

em Engenharia Civil) Programa de Ps-Graduao em Engenharia Civil, UFRGS, Porto Alegre / RS.

11
Motivao

2003

AVALIAO DE IMVEIS URBANOS COM UTILIZAO DE REDES NEURAIS ARTIFICIAIS PELLI, Antonio

Neto ; ZARATE, Luiz - IBAPE-MG XII COBREAP Congresso Brasileiro de Engenharia de Avaliaes e Percias

Belo Horizonte MG

2003

AVALIAO DE NAVIOS COM USO DE REGRESSO LINEAR E COMPARAO DOS RESULTADOS COM

REDE NEURAL MORATO, Paulo Csar Vidal; GUEDES Jackson Carvalho - IBAPE-MG XII COBREAP

Congresso Brasileiro de Engenharia de Avaliaes e Percias Belo Horizonte MG

ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANLISE DE REGRESSO MLTIPLA NA

AVALIAO DE BENS, PARA PEQUENAS AMOSTRAGENS SCHIAVO, Eliane Hasselmann Camardella ;

AZEVEDO , Mrcio Pacheco - IBAPE-MG XII COBREAP Congresso Brasileiro de Engenharia de Avaliaes e

Percias Belo Horizonte MG

12
O que so Redes Neurais Artificiais

Modelos inspirados no crebro humano

Compostas por vrias unidades de processamento (neurnios)
Interligadas por um grande nmero de conexes (sinapses)

Eficientes onde mtodos

tradicionais tm se
mostrado inadequados

O neurnio humano foi identificado

anatomicamente e descrito com detalhes, no
sculo 19, pelo neurologista espanhol Ramon
& Cajal

13
Sinapses

O que so Redes Neurais Artificiais

14
Introduo O Que so as Redes Neurais Artificiais?

O aprendizado em RNAs est associado capacidade de as mesmas

adaptarem os seus parmetros como conseqncia da sua interao com o
meio externo.

O processo de aprendizado interativo e por meio dele a RNA deve

melhorar o seu desempenho gradativamente medida que interage com o
meio externo.

15
O que so Redes Neurais Artificiais

Redes Neurais Artificiais (RNA) so modelos de computao com

propriedades particulares, tais como:

Capacidade de se adaptar ou aprender para:

Generalizar

Agrupar ou organizar dados

16
O que so Redes Neurais Artificiais

RNA: estruturas distribudas formadas por grande nmero de

unidades de processamento conectadas entre si.

Multi-disciplinaridade : Cincia da Computao, Matemtica,

Fsica, Engenharias, Psicologia, Biologia, Lingstica, Filosofia,

etc

17
Redes Neurais Artificiais

Por que Redes Neurais Artificiais?

Problema 1:

Qual o resultado da funo abaixo, para os valores indicados?

X=300, Mdia = 420 e DP = 42 ?

1 ( x ) 2 / 2 2
f ( x) = e para < x <
2
Planilha Excel Resultado Instantneo

18
Redes Neurais Artificiais

Problema 2:
Qual a diferena entre os objetos abaixo ?

Como programar uma planilha para soluo deste problema com rapidez e preciso?

Capacidade Cognitiva do Crebro Humano

19
Redes Neurais Artificiais

Utilizar mquinas efetivamente para resolver problemas simples (humanos)

Distinguir padres visuais

utilizando exemplos e feedback

Maior experincia permite melhorar a performance

Aproximao de Funes

20
Redes Neurais Artificiais

camadas intermedirias
camada de camada de
entrada sada

rea
Valor
Unitrio

Local

conexes

21
O que so Redes Neurais Artificiais

Modelos inspirados no crebro humano

Compostas por vrias unidades de processamento

(neurnios)
Interligadas por um grande nmero de conexes
(sinapses)

Eficientes onde mtodos tradicionais tm se mostrado inadequados

22
Caractersticas das RNAs

Aprendem atravs de exemplos

Inferncia estatstica no paramtrica

Adaptabilidade

Capacidade de generalizao

Tolerncia a falhas

Implementao rpida

23
Von Neumann X Sistema neural biolgico

Computador Von Neumann Sistema neural biolgico

Processador complexo simples

alta velocidade baixa velocidade
um ou poucos grande nmero
Memria Separada do processador integrada com processador
localizada distribuda
no-endereavel pelo contedo enderevel pelo contedo
Computao centralizada distribuda
seqencial paralela
programas armazenados aprendizado
Confiabilidade muito vulnervel robusto

Adequao manipulaes num. e simblica Problemas de percepo

Ambiente operacional bem definido pouco definido

muito restrito no restrito

24
Potenciais reas de aplicao das RNAs

Classificao de padres

Clustering/categorizao

Aproximao de funes

Previso

Otimizao

Memria enderevel pelo contedo

Controle

etc...

25
Histria das RNA

Inter-relao entre

Investigao do comportamento e estrutura do sistema nervoso atravs

de experimentao e modelagem biolgica

Desenvolvimento de modelos matemticos e suas aplicaes para a

soluo de vrios problemas prticos

Simulao e implementao destes modelos

26
Dcada de 40 : O comeo

(1943) McCulloch & Pitts (A Logical Calculus of the Ideas Immanent in Nervous Activity)

Provam, teoricamente, que qualquer funo lgica

pode ser implementada utilizando unidades de
soma ponderada e threshold
(1949) Hebb desenvolve algoritmo para treinar RNA (aprendizado Hebbiano)

Se dois neurnios esto simultaneamente ativos, a

conexo entre eles deve ser reforada

27
1950-1960: Anos de euforia

(1958) Von Neumann mostra interesse em modelagem do crebro (RNA)

The Computer and the Brain, Yale University Press

(1959) Rosenblatt implementa primeira RNA, a rede Perceptron

Ajuste iterativo de pesos

Prova teorema da convergncia

28
Dcada de 70: Pouca atividade

(1969) Minsky & Papert analisam Perceptron e mostram suas limitaes

No poderiam aprender a resolver problemas simples

como o OU-exclusivo

Causou grande repercusso

29
Dcada de 70: Pouca atividade

(1971) Aleksander prope redes Booleanas

(1972) Kohonen e Anderson trabalham com RNA associativas

(1975) Grossberg desenvolve a Teoria da Ressonncia Adaptiva (redes ART)

30
Dcada de 80: A segunda onda

(1982) Hopfield mostra que Redes Neurais podem ser tratadas como sistemas

dinmicos

(1986) Hinton, Rumelhart e Williams, propem algoritmo de aprendizagem para redes

multi-camadas

Parallel Distributed Processing

31
Redes Neurais Artificiais

camadas intermedirias
camada de camada de
entrada sada

rea
Valor
Unitrio

Local

conexes

32
Conexes

Definem como neurnios esto interligados

Ns so conectados entre si atravs de conexes

especficas
Codificam conhecimento da rede

Uma conexo geralmente tem um valor de

ponderamento ou peso associada a ela

33
Topologia

Nmero de camadas

Uma camada (Ex Perceptron, Adaline)

Multi-camadas (Ex MLP)

Mapas de Memria - Hopfield

34
Completamente conectada

Camada i Camada i +1

35
Parcialmente conectada

Camada i Camada i +1

36
Parcialmente conectada

Camada i Camada i +1

37
Redes feedforward

Sinais seguem em uma nica direo

OU RN

Sinal

38
Redes recorrentes

Possuem conexes ligando sada da rede a sua entrada

RN

Podem lembrar entradas passadas e, conseqentemente, processar

seqncia de informaes (no tempo ou espao)

39
Conjunto de dados

Tamanho depende da complexidade dos dados

Quanto maior a complexidade, maior a quantidade

necessria

Pr-processamento dos dados

Dados numricos

Presena de valores em todos os campos

Balanceamento entre classes

40
Redes Neurais Artificiais Desenvolvimento

CARACTERSTICAS

2 MODOS DE FUNCIONAMENTO

TREINAMENTO OPERAO
Algoritmo - Backpropagation Algoritmo - Feedforward
 Supervisionado
 Erro
 Passo do aprendizado
 No supervisionado

41
Redes Neurais Artificiais Desenvolvimento

SEM TREINAMENTO
 conjunto de treinamento
 pesos sinpticos aleatrios

A
REDE
B NEURAL ?
C

42
Aprendizado

Capacidade de aprender a partir de seu ambiente e melhorar sua performance com o

tempo

Parmetros livres de uma RNA so adaptados atravs de estmulos fornecidos pelo

ambiente

Processo iterativo de ajustes aplicado a sinapses e thresholds

Idealmente, a RNA sabe mais sobre seu ambiente aps cada iterao

43
Redes Neurais Artificiais - Treinamento

 sero utilizadas 3 camadas

 propagao entrada/sada
 conjunto de operao
 rede treinada

A A Feedforward

REDE
B B
NEURAL
C C
44
 Redes Neurais Artificiais Desenvolvimento

TREINAMENTO SUPERVISIONADO
 conjunto de treinamento

A,B
A,B
A,B
Professor
erro,
ok,erro
erro
ok, ok

PADRES 1a ITERAO 2a ITERAO 3a ITERAO

A REDE X
D A A
B NEURAL
X
R X
P B

45
Caractersticas das RNAs

Aprendem atravs de exemplos

Inferncia estatstica no paramtrica

Adaptabilidade

Capacidade de generalizao

Tolerncia a falhas

Implementao rpida

46
Analogia Redes Biolgicas x Redes Neurais

47
Conceitos bsicos Modelo MCP

Estrutura geral das RNA

Unidades de processamento ni (ns)

Estado de ativao ai

Funo de ativao Fi
x1 w1
Funo de sada i

x2 w2 f f(xiwi)
(xw) y
Conexes wij
wN

xN
48
Neurnio Artificial - MCP

Funo: receber entradas de conjunto de dados, computar funo

sobre entradas e enviar resultados para conjunto de sada

bias

Entradas
Wb
X1 W1 pesos
sinapses Sada
X2 W2
.
.
U
FU Y Y = F (U )
.
Wn
Xn P
U = W
K =0
K .X K

49
 n

K
= 0
W K . X K

Neurnio Artificial - MCP

A operao de um neurnio artificial se resume em:

sinais so apresentados entrada;

cada sinal multiplicado por um peso que indica sua influncia na sada da
unidade;
feita a soma ponderada dos sinais , a qual produz um nvel de atividade;
se este nvel excede um limiar (threshold) a unidade produz uma sada.

Podemos escrever o modelo matemtico da seguinte forma:

A sada do neurnio ser igual a 1 ou a 0

50
Neurnio Artificial - MCP

Sobre o modelo proposto MCP podemos verificar que:

redes com MCP de apenas uma camada somente podem

implementar funes que sejam linearmente separveis;

pesos negativos so mais adequados para disparos inibidores;

o modelo proposto utiliza pesos fixos, que no so ajustveis.

51
Conjuntos Linearmente Separveis

Classes
10

6
X2

0
0 1 2 3 4 5 6 7 8 9 10
X1

Linearmente Separvel No Linearmente Separvel

52
Modelo MCP - Treinamento
Portas de Limiar

Bias
1

X W
Entradas

1 1

Sada
X 2 W
Y
2
. U
. F (U )
.
W n
pesos
X n sinapses

1 (wi xi )
y=
0 (wi xi ) <

53
Modelo MCP treinamento

Neurnio:
2 entradas: x1 e x2
Limiar
Sada y
Condio de disparo:
x1w1 + x2w2 =

w1
x 2 = x1
w2 w2

54
Modelo MCP treinamento

Funo de limiar

w1
x2 = x1
w2 w2
Treinamento: w

w(t+1)= w (t)+ w w(t+1) = w(t) + ex(t)

55
Modelo MCP treinamento

Funes Binrias de duas variveis

w1
x 2 = x1
w2 w2

(0,1) (1,1) x1 x2 Y
0 0 0

1 0 0

0 1 0

1 1 1

56
Portas Limiares Quadrticas

Redes MCP

x21w11+x22w22+x1x2w12+x2x1w21+x1w1+x2w2 =

57
Funes Quadrticas

Redes MCP

Classe 1
y=1
X1
Classe 0
y=0

X2

58
Modelos Adaline

Regra Delta:

Bias
1 W0

n
stE
a
rd

X1 W1
Sada
X2 W2
. U Y
. F ( U)
. Wn
pesos
Xn sinapses

59
Treinamento

Modelos Adaline

n
E ( w ) =
i = 1
( y c i y d i ) 2

60
Gradiente Descendente

Modelos Adaline

61
Gradiente Descendente

62
 Gradiente Descendente

MTODO DO GRADIENTE DESCENDENTE

 minimizao do erro
 mesma direo e sentido oposto ao gradiente
8
y ( n )
w ( n ) = , = 1
2
7 y=
w
w 5
y ( n ) 2w 6 VALOR INICIAL
w( n ) = =
w 5 5
w ( n + 1) = w ( n ) + w ( n )
ERRO

4
n w(n) w(n)
3 1a ITERAO
0 5 -2
1 3 -1,2 2
2a ITERAO
2 1,8 -0,72
3 a ITERAO
3 1,08 -0,43 1 a
4 ITERAO
4 0,65 -0,26 0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
V A LO R D A S S IN A P S E S

63
Construo Modelo - MLP

Disposio em camadas (simplicidade)

 Comunicao entre neurnios entre camadas adjacentes

64
Redes Neurais Artificiais Desenvolvimento

BACKPROPAGATION
 propagao sada/entrada
 erro associado Backpropagation

65
Aprendizado

Mecanismos de aprendizado

Modificao de pesos (Dwij(t)) associados s conexes

Armazenamento de novos valores em contedos de memria

Acrscimo e/ou eliminao de conexes/neurnios

Completamente conectada

Parcialmente conectada

Localmente conectada

66
Redes Neurais Artificiais Desenvolvimento

ERRO

Y Valor desejado
Y ' Valor obtido na sada da rede

(
Erro 2 = Y Y ' )
2

ERRO
Y

Neurnio artificial
ITERAO

Como atingir o erro mnimo?

67
Neurnio Artificial - MCP

Funes de ativao mais comuns

a(t + 1) = u(t) (linear)

1 , se u(t)
a(t + 1) =
0, se u(t) < (threshold ou limiar)

a(t + 1) = 1/(1 + exp(- u(t)) (sigmoid logstica)

a(t + 1) = (1 exp(u(t)) (tangente hiperblica)

(1 +exp(u(t))

68
Redes Neurais Artificiais Desenvolvimento

11.2) BACKPROPAGATION - simplificado

 retropropagao do erro
 um neurnio

bias
Erro
wi = Entradas
wi Wb
X1 W1 pesos
w ( n + 1) = w ( n ) + w ( n ) sinapses Sada
X2 W2
. U Y
Regra Delta
. FU
.
Wn
Xn

69
Redes Neurais Artificiais Desenvolvimento

11.3) BACKPROPAGATION
 valores desejados: Ya=0,2 ; Yb=1
 retropropagao do erro

0,103
E1 = Ya Ya = 0,2 0,097 = 0,103
'
0,13

0,03
0,386

E 2 = Y b Y b = 1 0 ,614 = 0 ,386
'

0,152

70
Redes Neurais Artificiais Desenvolvimento

1 PADRO DE ENTRADA

6
Erro associado

0
1 3 5 7 9 11 13 15 17
No. de Iteraes

71
Aprendizado por Correo de Erro

Superfcie de Erro

72
Superfcie do Erro funo Sigmide

Aprendizado por Correo Erro

73
 Aprendizado por correo de erro

Taxa de aprendizado ()

0< <1
Mdia das entradas anteriores
Taxas pequenas
Estimativas estves de peso
Aprendizado lento

Aprendizado rpido
Taxas grandes
Captao de mudanas no
processo

Taxas variveis Instabilidade

74
Aprendizado por Correo de Erro

75
 Gradiente descendente para em um mnimo local
w kj
( t + 1 ) = k
x j
+ w kj
( t )

Momentum

Momentum permite caminhar na direo anterior

76
Pr processamento Dados

Sinais de entrada e sada de uma RNA geralmente so nmeros reais

Nmeros devem estar dentro de um intervalo

Tipicamente entre -1 e +1 ou 0.2 e 0.8

Codificao realizada pelo projetista da rede

77
Pr - processamento dos dados

Normalizao de valores numricos

Normalizar cada campo individualmente

Assegurar que todos os valores de um dado campo estejam dentro

de um intervalo (Ex. [0.0,...,1.0])

f a (L o ) = L n = (L o - L mn ) / (L max - L min )

f b (L n ) = L o = L n * L max + (1 - L n ) * L mn
onde : Lmn = (4 x LimiteInf. - LimiteSup) / 3
Ln o valor normalizado; Lmx = (LimiteInf. - 0,8 x Lmn) / 0,2
Lo o valor a normalizar;
Lmn e Lmx so valores mnimos e mximos dentre os valores das variveis.

78
Criao de conjuntos de dados

Dividir o conjunto de dados em:

Subconjunto de treinamento (50% dos dados)

Necessidade de manter uniformidade pode reduzir proporo

Subconjunto de validao (50% dos dados)

79
Aprendizado

Algoritmos de aprendizado

Conjunto de regras bem definidas para a soluo de um problema de aprendizado

Grande variedade

Cada um com suas vantagens

Diferem na maneira como ajuste wik(t) realizado

Paradigmas de aprendizado

Diferem na maneira como RNA se relaciona com seu ambiente

80
Redes Neurais Artificiais

Exemplo prtico Terreno a avaliar: Preo Unitrio

Distncia ao polo (R$/m)
Terreno a 1.200 m do plo atrativo
2.500 100
250 256
Preo Unitrio x Distncia ao polo 600 170

300 800 140

250 1.500 85
200 400 220
150
2.800 58
100

50

0
0 500 1.000 1.500 2.000 2.500 3.000

81
Primeiro Ensaio Regresso Linear

240

220

200
180
Valor/m2

160

140

120 Valor estimado: 150,98 R$/m

100

80
60

500 1.000 1.500 2.000 2.500

Distncia polo comercial

Valor/m2 = +225,3636109 -0,06198251709 * Distncia ao centro comercial

82
Segundo Ensaio Transformando as Variveis (x,1/x, Ln x)

Valor/m2 = e^( +8,654750369 -0,5550500821 * ln (Distncia polo comercial))

Estimativa p/Distncia polo comercial

260

240
220

200
180
Valor estimado: 108,74 R$/m
160
140
120

100
80

500 1.000 1.500 2.000 2.500

83
Terceiro Ensaio: Redes Neurais Artificiais

Estimativa p/Distncia polo comercial

260
Valor estimado: 103,60 R$/m
240

220

200

180

160
140

120

100

80

500 1.000 1.500 2.000 2.500

84
Redes Neurais Artificiais Benefcios

Aprendem atravs de exemplos

Inferncia estatstica no paramtrica

Adaptabilidade

Capacidade de generalizao

Tolerncia a falhas

Implementao rpida
Melhor aderncia aos pontos coletados

85
Anlise da Envoltria de Dados EDO / DEA

A utilizao dessa ferramenta para a engenharia de avaliaes pode ser sintetizada da seguinte forma:

os imveis que fazem parte da amostra de mercado so interpretados como as unidades de produo;

para o vendedor do imvel, os insumos (inputs) da sua unidade de produo so os atributos (caractersticas

intrnsecas e extrnsecas) do imvel relevantes para a sua valorizao, como localizao, rea, etc.; o produto (output)

da sua unidade o preo, que pode ser expresso pelo Valor Total do Bem;

para o comprador, inversamente, o input o preo e os outputs so os atributos (localizao, rea, etc.);

Desta forma, ficam constitudas, assim, duas ticas para a DEA: a do vendedor e a do comprador. Para o vendedor, o

objetivo oferecer certos atributos relevantes de um imvel (rea, localizao, etc.) e obter por eles o maior preo

possvel; na viso do comprador, o objetivo pagar um determinado preo e obter em troca o mximo de atributos

relevantes de um imvel (rea, localizao, etc.).

86
DEA (VRS) nas Avaliaes Imveis Urbanos
tica do vendedor (orientada ao output)

output = valor (R$)

y P5

P2 P3 P7

P4
P1 P6

input = rea
x

87
DEA (VRS) nas Avaliaes Imveis Urbanos
tica do comprador (orientada ao input)

P7
output = rea
x
P6
P5
P4
P3

P2
P1

input = valor (R$)

y
88
DEA (VRS) nas Avaliaes Imveis Urbanos
Sob a dupla tica

valor (R$)
y P5

V1v P3
P2 P7
P4
P1
V1c P6

rea x
A1
89
Situao Hipottica com a Definio das Fronteiras
Eficientes (Envelope)

Y h' Y O
tica do Vendedor -

YO

tica do Comprador
-

h YO

90
Modelagem RNA das Fronteiras Eficientes (Envelope)

Y
tica do Vendedor

Modelagem RNA tica do Comprador

-

91
Dados Amostrados

Novaes, L.F.L., Paiva, S.A.

92
Resultados do EDO-DEA fornecidos pelo SisDEA

93
Resultados da Validao RNA sem Pruning

94
Resultados da Validao RNA com Pruning

95
EDO-DEA vs EDO-DEA RNA
(Exemplo prtico para comparao)

Utilizados na modelagem os mesmos 12 dados de mercado

(tabela 1).

2 variveis

Tratamento com o EDO-DEA.

Tratamento com o EDO-DEA RNA.

96
Imveis avaliar

Imvel 1: 80 m e 30 anos de idade. (Idt=6599)

Imvel 2: 80 m e 20 anos de idade. (Idt=7004)

Imvel 3: 90 m e 10 anos de idade. (Idt=7697)

97
Comparao resultados

A aplicao das redes neurais artificiais no espao delimitado pelo EDO-DEA

permitiu chegar aos seguintes resultados finais de estimao de valores para
os avaliandos:

98
Concluses e Vantagens do EDO-DEA RNA

Neste tpico foi discutida a possibilidade de utilizao de redes

neurais para a estimao de valores de mercado de imveis

urbanos tendo como base o espao delimitado entre as

fronteiras de compra e venda do EDO-DEA.

99
Concluses e vantagens do EDO-DEA RNA

Os valores estimados pela redes neurais com pruning obtiveram um ajuste

superior aos valores estimados pela redes neurais sem pruning.

No caso da utilizao das redes neurais artificiais modelando o espao

delimitado pelo EDO-DEA, os resultados obtidos foram bastante

satisfatrios, permitindo uma estimativa de valores mais consistente e com

maior confiabilidade.

100