6.2. Anwendungsbeispiel: Klassifikation von Immobilien

Das Anwendungsbeispiel für ein DL4J-Projekt soll die Klassifikation von Immobilien sein (*Q38).

Bei den Immobilien sind folgende Parameter bekannt:

• die Immobiliengröße in Quadratmeter,
• die durchschnittliche Wandhöhe in Meter
• und die sog. IA_Ratio (Verhältnis zwischen Innen- und Außenflächen (z. B. Balkon, Garten)).

Es gibt dabei 3 Arten von Immobilien:

• Büros,
• Wohnungen
• und Häuser.

Es gibt 1039 Datensätze in der Form

266.00,3.50,18.00,0

Der erste Wert ist die Immobiliengröße, der zweite Wert ist die durchschnittliche Wandhöhe, der dritte Wert ist die IA_Ratio und der letzte Wert ist die Art der Immobilie (Büro = 0, Wohnung = 1, Haus = 2). Die ersten 3 Werte sind die Eingangsparameter, der letzte Wert ist der gewünschte Ausgangswert. Allerdings wird dieser oft mit Hilfe von 3 Ausgängen abgebildet (Büro = 0/0/1, Wohnung = 0/1/0 und Haus = 1/0/0).

Die Datensätze findet man unter

https://www.data-science-blog.com/download/K-Nearst_Neighbour-DataSet.txt.

In der späteren Implementierung stehen diese Daten in einer Datei namens WohnungsdatenAlsCSV.txt.

Abbildung 48 zeigt die Verteilung der normalisierten Datensätze. Ein KI-Spezialist müsste nun eine Entscheidung treffen, welcher KI-Algorithmus (Lineare Regression, „k-nächste-Nachbarn-Algorithmus“ etc.) am besten geeignet ist, um einen hohen Erfolg bei der Klassifikation der Immobilien zu erzielen.

Abbildung 48 (*Q38): Verteilung der normalisierten Datensätze

-65 -