Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
51
JULIO GALLEGO MORA-ESPERANZA
52
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
Grfico 1
Red de capas en el cerebro humano
53
JULIO GALLEGO MORA-ESPERANZA
54
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
De esto se ocup la Inteligencia Artificial. Actualmente las RNA estn muy desa-
La Inteligencia Artificial tiene varias moda- rrolladas, y se aplican en multitud de cam-
lidades. Una de las ms importantes la consti- pos: diagnstico de enfermedades, anlisis
tuyen las Redes Neuronales Artificiales (RNA). de riesgos en la concesin de crditos, pre-
Las RNA consisten en sistemas infor- diccin de la evolucin de los mercados de
mticos en los que los microprocesadores, valores, etc.
en lugar de disponerse en serie como en El sistema de Inteligencia Artificial
los ordenadores tradicionales, se conectan desarrollado por la Agencia Tributaria para
en paralelo, formando capas y con mlti- la deteccin del fraude en el I.V.A. es una
ples conexiones, tal y como se organiza la RNA.
red de neuronas en el cerebro. La mayora de los sistemas de Inteligen-
Por supuesto que no se trata de simular cia Artificial desarrollados para la valora-
un cerebro humano, sino solo de construir cin de inmuebles son RNA.
un sistema que funcione de forma anloga
y en pequea escala. De hecho hay RNA
que se construyen con poco ms de 20 Las Redes Neuronales
neuronas (microprocesadores). Artificiales y la valoracin
Inicialmente las neuronas artificiales
eran microprocesadores, pero en la actuali-
de inmuebles
dad estos han sido sustituidos en la mayo- Para entender el funcionamiento de una
ra de los casos por programas informticos RNA vamos a ver un ejemplo tpico de apli-
que imitan su funcionamiento. cacin a la valoracin de inmuebles.
Grfico 2
Red Neuronal Artificial para la valoracin de inmuebles
55
JULIO GALLEGO MORA-ESPERANZA
56
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
Grfico 3
Esquema de funcionamiento de una neurona artificial
indican que su nmero debe ser proporcio- cido, y obtiene el error o diferencia entre
nal al nmero de variables de entrada. el valor calculado y el real. Lgicamente, en
Supongamos que para nuestro ejemplo, esta primera pasada el error ser alto.
de 7 variables, disponemos de 60 muestras Despus de calcular este primer error,
de entrenamiento. un algoritmo de correccin modifica los
En primer lugar, se dividen las muestras pesos de todas las neuronas de la Red, con
en dos grupos: uno para entrenar el siste- el objetivo de reducir el error al mnimo.
ma y otro para comprobarlo. As, En el grfico 4 se ve el funcionamiento
siguiendo el ejemplo, las 60 muestras las de la correccin para una neurona, pero el
dividimos en un grupo de 40 para entrena- sistema lo hace para todas las neuronas.
miento y otro grupo de 20 para comproba- Al disear la Red, se puede programar
cin. Ms adelante veremos la utilidad de el algoritmo de correccin que se quiera,
estas muestras de comprobacin. pero habitualmente se emplea uno estndar
Seguidamente comenzamos a entrenar que se llama algoritmo de correccin
el sistema, para lo cual le aportamos los hacia atrs (y que es una generalizacin de
datos de la primera muestra. Para que el la regla Delta).
sistema pueda funcionar tenemos que asig- Una vez que se han corregido los pesos
narle antes los pesos (a1, a2, a3, etc.) de de las neuronas (a1, a2, a3, etc.), se vuelve a
cada neurona. Esto se hace inicialmente procesar una muestra y se vuelve a obtener
asignando unos valores aleatorios. un nuevo resultado, que se compara de
El sistema calcula entonces el valor de nuevo con el valor de mercado conocido
mercado de la primera muestra R. para obtener el nuevo error.
Una vez que se ha obtenido este primer El algoritmo vuelve a corregir los
resultado, el sistema lo compara con el valor pesos, y se va repitiendo iterativamente
de mercado real de la muestra, que es cono- este proceso con todas las muestras de
57
JULIO GALLEGO MORA-ESPERANZA
Grfico 4
Esquema de funcionamiento de una neurona. Fase de correccin
58
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
muestras iniciales, de las que se conoca el pocas frmulas, las cuales suelen ajustarse
valor de mercado, se hacan dos grupos, uno a unos estndares establecidos. Una RNA
de 40 muestras para el entrenamiento, y otro puede instalarse perfectamente en un
de 20 muestras para la comprobacin. micro-ordenador, incluso sobre un softwa-
La Red se entrena con el grupo de 40 re de hoja de clculo.
muestras, pero con las 20 muestras de En cuanto a los inconvenientes, convie-
comprobacin iremos verificando que no ne apuntar uno de cierta importancia.
nos hemos quedado cortos, ni nos hemos A las RNA se las llama tambin cajas
pasado en el nmero de ciclos de correc- negras, ya que es imposible saber qu es lo
cin del error. que pasa en su interior. No hay manera de
De esta forma se determina el nmero explicar cmo una RNA calcula el valor de
de ciclos de correccin del error necesarios mercado de los inmuebles, ni con ecuacio-
para entrenar la Red. nes ni con tablas ni con nada. La compleji-
Una vez que, con las 20 muestras de dad del proceso iterativo de correccin de
comprobacin, hemos verificado que la pesos, de sumatorios y de funciones de
Red se sita en un nivel de error admisible transferencia dentro de las mltiples cone-
(normalmente inferior al 5%), se termina xiones de neuronas hace imposible esta
la fase de entrenamiento, y comienza la tarea.
fase de produccin, en la que utilizare- Esto puede no ser un problema para las
mos la RNA para estimar el valor de mer- empresas privadas, y de hecho no lo est
cado de inmuebles en los que este dato es siendo, pues las RNA se estn extendiendo
desconocido. y perfeccionando con rapidez en este sector
Las RNA pueden volver a la fase de en mltiples aplicaciones.
entrenamiento cuando se quiera. De Pero cuando se trata de calcular valores
hecho, conviene entrenarlas cada cierto de inmuebles con fines tributarios, la
tiempo, ya que el mercado va cambiando. Administracin debe explicar de alguna
manera a los contribuyentes y a los Tribu-
nales Econmicos cmo lo ha hecho.
Ventajas e inconvenientes Es cierto que los contribuyentes y los
Tribunales tampoco entendan la Regresin
Ya se han apuntado algunas de las ven- Mltiple, pero formalmente estos sistemas
tajas que presentan las RNA respecto a los disponen de una explicacin vlida, aun-
sistemas anteriores: una mayor precisin, y que sea difcil. El problema es que las RNA
una mayor capacidad para estimar el valor no disponen de ninguna explicacin, ni
de las propiedades especiales (outliers). fcil ni difcil.
Tambin hay que apuntar que el mane- Por ello algunos expertos estn desarro-
jo para el usuario es muy sencillo. Solo llando mtodos que permitan describir de
tiene que introducir las variables conocidas forma sencilla el funcionamiento de una
por un lado y obtener el valor de mercado RNA.
por el otro. Lo que sucede en el interior no De todas formas, este inconveniente no
tiene por qu preocuparle. El diseo y el tiene por qu ser un verdadero problema
entrenamiento de la Red deben ser realiza- para que la Administracin utilice las RNA
dos por personas que entiendan de esta en la valoracin de inmuebles. Hay que
materia, pero el uso de la Red en la moda- tener en cuenta que el peso de la explica-
lidad de produccin es muy sencillo. cin de los resultados no tiene porqu reca-
Adems, si bien a primera vista puede er enteramente en la Red. Estos sistemas
parecer que la tecnologa de las RNA es deben ser herramientas de ayuda al valo-
algo compleja, en realidad se utilizan muy rador en su trabajo, y no sistemas cerrados
59
JULIO GALLEGO MORA-ESPERANZA
60
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
Grfico 5
RNA para la valoracin de la vivienda colectiva (Madrid)
La funcin de transferencia elegida para corrige un 10% del error detectado. Este es
las neuronas es la funcin sigmoidea, que un parmetro fundamental de las RNA,
es la de uso ms frecuente en las RNA. El pues en el aprendizaje hay que reducir el
Algoritmo de correccin es el de retropro- error poco a poco. Si se intenta reducir
pagacin hacia atrs. bruscamente, el comportamiento de la
RNA puede ser inestable. En este ejemplo
se han utilizado ratios entre 0,6 y 0.
El Momento es un parmetro que sua-
viza el proceso de correccin, de modo
que cuando se detecta un error, en lugar
de hacer la correccin de la parte de ese
error que indica el Ratio de Aprendizaje,
se realiza una correccin intermedia entre
el error actual y el inmediatamente ante-
rior. De este modo se consigue tambin
que una muestra defectuosa no desve de
forma substancial la direccin del apren-
Los parmetros con los que se ha traba- dizaje. En este ejemplo se considera un
jado son los habituales de las RNA: Ratio de Momento 0.
Aprendizaje, Momento y Ruido de entrada. El Ruido de Entrada es un parmetro
El Ratio de Aprendizaje indica la parte que deforma de modo aleatorio las varia-
del error que se corrige en cada accin de bles en un porcentaje. Su objetivo es el de
correccin. Un ratio del 0,1 significa que se evitar que un grupo de muestras demasia-
61
JULIO GALLEGO MORA-ESPERANZA
do perfectas impidan que la RNA capte un 250 muestras, 200 para entrenamiento y 50
modelo que sea generalizable. En este para comprobacin. Pero, dado el carcter
ejemplo el Ruido de Entrada se considera de investigacin de este trabajo, con 100
igual a 0, ya que por lo general se suele muestras ya se debera poder obtener un
admitir que las muestras del mercado resultado interesante. Todas las muestras
inmobiliario son ruidosas de por s. pertenecen al ao 2002.
Para comprobar y detener el funciona- Una vez ajustada la RNA, los resultados
miento de la RNA se ha utilizado el coefi- obtenidos en la fase de entrenamiento son
ciente de referencia al mercado RM, como los siguientes: Mediana 100%, Dispersin
porcentaje entre el valor calculado por la 8%.
RNA y el valor de mercado conocido de la En el grfico 6 se puede observar la dis-
muestra (un RM del 100% significa que el persin final de las muestras una vez entre-
valor calculado y el valor de la muestra nada la RNA.
coinciden). El objetivo buscado es que la Podemos comparar este resultado con
mediana de los RM de las muestras se situ el que se obtendra de aplicar a este mismo
en un entorno prximo al 100%, y que la conjunto de 85 muestras la Regresin Ml-
dispersin de los RM de las muestras tiple.
(Coeficiente de Dispersin) sea inferior al En este caso, con la Regresin Mltiple se
10%. consigue una mediana del RM tambin pr-
Se ha utilizado un conjunto de 100 xima al 100%, pero la Dispersin es del 15%,
muestras de mercado de diversos munici- es decir 7 puntos ms alta que la de la RNA.
pios de la Regin de Madrid. 85 muestras En el grfico 7 se pueden comparar
se utilizan para entrenamiento y 15 para estas dos dispersiones, y se observa cmo
comprobacin. De todas formas, conviene para la mayora de las muestras el resulta-
comentar que para una RNA con 12 varia- do de la RNA est ms prximo a la lnea
bles sera conveniente un conjunto de unas del 100%.
Grfico 6
Dispersin de las muestras. Fase de entrenamiento
62
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
Grfico 7
Comparacin RNA - Regresin
63
JULIO GALLEGO MORA-ESPERANZA
Grfico 8
Valores segn tamao. Pinto
Los resultados obtenidos se muestran puede apreciarse, los valores unitarios dis-
en los grficos siguientes, y parecen indicar minuyen a medida que aumenta la superfi-
un nivel de aproximacin a los valores de cie de la vivienda, segn el perfil que la RNA
mercado bastante razonable, teniendo ha captado con las muestras de entrena-
siempre presente el carcter de ensayo de miento. Hay que decir que este perfil no es
este trabajo, as como el reducido nmero un perfil simple, pues depende de la interac-
de muestras utilizado, y que son valores del cin de todas las variables, por lo que para
ao 2002. cada municipio, entorno, categora, etc.,
En el grfico 8 se pueden observar los ser diferente.
resultados para el municipio de Pinto. En Otra variable interesante cuyo compor-
l se representa la distribucin de valores tamiento se puede analizar es la planta. En
por tamao de las aproximadamente el grfico 10 se muestran los valores por
10.000 viviendas colectivas del municipio. planta de las viviendas de 85 m2 de super-
Como puede apreciarse, la pendiente ficie y categora 4.
del perfil de distribucin indica que los Se puede ver cmo los valores van
valores son proporcionalmente ms bajos aumentando al subir de planta. La RNA ha
cuanto mayor es la superficie (es decir que captado un incremento de valor segn la
un piso de 200 m2 no vale el doble que uno planta que tiene un perfil suave pero apre-
de 100 m2). Esto puede apreciarse mejor en ciable.
el grfico 9. El grfico 11 muestra la distribucin de
Este grfico se ha construido con vivien- valores por tamao de otros dos munici-
das nuevas de categora 4 (intermedia) y pios de la Regin: Tres Cantos y Villacone-
situadas en la planta 2, para que no influ- jos. Tres Cantos es un municipio de tama-
yan en el resultado estas variables. Como o relevante, situado a unos 22 Km. de
64
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
Grfico 9
Pinto: Valores segn tamao. Planta 2, Categora 4, Nueva
Grfico 10
Pinto: Valores por planta. Superficie 85 m2, Categora 4
65
JULIO GALLEGO MORA-ESPERANZA
Grfico 11
Valores segn tamao. Tres Cantos y Villaconejos
Grfico 12
Valores segn tamao. C/ Velzquez y C/ Marcelo Usera
66
LA INTELIGENCIA ARTIFICIAL APLICADA A LA VALORACIN DE INMUEBLES
67