Такую оценку принято разделять на массовую и индивидуальную.

Массовая оценка недвижимости  –  это оценка большого числа объектов недвижимости на конкретную дату с использованием стандартных методик и статистического анализа. При этом унифицируется процедура оценки большого числа объектов [7].

При массовой оценке на заключительном этапе проверяется используемая для расчетов модель и контролируется качество получаемых результатов.

При этом результаты, полученные с помощью модели массовой оценки, сравниваются с реальными ценами продаж и оцениваются отклонения уровня оценки по каждой группе аналогичных объектов.

Индивидуальная оценка недвижимости – это оценка конкретного объекта на определённую дату. Она необходима для защиты результатов оценки в судах, для определения стоимости объектов специального назначения и т.п. [7].

Для обоих видов оценок стоит задача разработки методик оценки недвижимости, в основу которых могут быть положены разнообразные модели и методы (рисунок 1).

Рисунок 1 – Методы разработки моделей оценки недвижимости

Общим требованиями к применению данных методов является наличие обширной и достоверной базы данных о сделках купли-продажи с описанием физических и экономических характеристик объектов недвижимости, участвовавших в этих сделках;

Статистические методы

Для данной группы традиционно использование регрессионных методов, которые позволяют осуществить оценку на основе установленной взаимозависимость факторов.

К недостаткам статистического метода можно отнести его высокую трудоемкость и возможность учитывать только строго ограниченный набор типов данных, значения каждого параметра объекта, исходя из наличия информации о них  в массиве исходных данных.

Экспертные методы.

Данная группа методов основана на формализации мнений специалистов (экспертов) о характере зависимости рыночной стоимости объекта от его параметров.

Получаемые в результате методики носят чисто субъективный характер. Мнения экспертов могут очень сильно различаться по оценке одинаковых объектов. Сложность экспертной оценки также заключается в необходимости наличия у экспертов умений определять весомость конкретных факторов цены. Не последнюю роль также играют изменения на рынке, а также сложность экспертной разработки методики определяется тем,

Методы интеллектуального анализа данных

В данной группе методов наибольший интерес представляют методы нечеткой логики и нейронных сетей, рассмотрим их подробнее.

Нечеткая логика

Суть методов нечеткой логики заключается в осуществлении принятия решений на основе представлений о нечеткости рассуждений и предпочтений  лица принимающего решение. Для этого осуществляется формирование лингвистических переменных, нечёткий вывод и приведение к чёткости.

Построение и поиск решения на нечетких моделях обладает рядом преимуществ:

• использование нечетких входных данных;
• нечеткая формализация критериев оценки и сравнения
• оперирование со степенью достоверности оценок;
• сокращение времени разработки моделей, за счет сгнятия требования к точности входных параметров;
• использование экспертных знаний в управлении..

Использование аппарата нечеткой логики рекомендуется для:

• сложных систем и процессов, когда не существует простой аналитической модели;
• нелинейных процессов высоких порядков;
• если должна производиться обработка (лингвистически сформулированных) экспертных знаний.

Недостатками нечетких систем являются:

• отсутствие стандартной методики конструирования нечетких систем;
• точность вычислений не превосходит, а порой и меньше, чем статистических методов.

Искусственные нейронные сети

Суть методов принятия решений с использованием нейросетевого моделирования заключается в построении формальной математической модели «по образу и подобию» человеческого мозга.

Структуру нейросети можно описать следующим образом. Нейросеть состоит из нескольких слоев: входной, внутренние (скрытые) и выходной слои. Входной слой реализует связь свходными данными, выходной – с выходными. Внутренних слоев может быть от одного и больше.

В каждом слое содержится несколько нейронов (рисунок 2).

Рисунок 2 – Структура нейросети

Между нейронами есть связи, называемые весами.

Преимущества нейросетевого подхода состоят в следующих особенностях:

- сокращение времени разработки, что достигается установлением связей между входными и выходными нейронами (параметрами), по-сути, без построения математической модели;

- отсутствие ограничений на типы входных и выходной информации;

- самообучаемость нейронных сетей, а также возможность работы с «зашумленными» данными.

Современные средства нейросетевого моделирования достаточно просты и могут с успехом применяться для поставленной задачи.