使用格局圖分析風水對房屋訂價之影響
58
0
0
全文
(2) 摘 要 本論文探討房屋內部風水對於房屋開價的三個問題，第一，房屋內部風水對 其訂價是否造成影響；第二，哪些風水因素影響開價最多；第三，當被視為較不 好的房屋時，是否能提出格局上的修改建議。為了研究這些問題，我們選擇使用 房屋的格局圖，因為從格局圖中可以看出房屋的整體配置。由於目前沒有與房屋 格局相關的資料集，根據研究目的，我們從房仲網站收集了許多房屋的格局圖及 其價格以利研究。在於探討房屋內部風水與房屋訂價的關係中，我們採用了多核 學習及支持向量回歸的技術來探討這些問題。其中，核心技術為使用風水書中的 知識, 從格局圖中計算新的影像特徵。實驗結果顯示房屋的內部風水對於房屋訂 價有影響，其中，門的位置、房屋外型與房間流通性的特徵為高度相關的風水特 徵。最後，我們提出方法用於診斷風水不好的房屋。. 關鍵字: 風水、房屋格局圖、房屋訂價、多核學習、支持向量回歸. i.
(3) ABSTRACT The thesis aims at studying three questions regarding the relationship between fengshui and house pricing. First, does the internal fengshui of a house has an effect on its pricing? Second, what are the most influential fengshui features to the price? Third, can we diagnose the fengshui problems of a house? In order to answer these questions, we use house plan because a house plan shows the whole interior structure of a house. We collect numerous house plans from real estate website and their prices to facilitate our research. We use multiple kernel learning and support vector regression to study the relationship between the internal fengshui of a house and its price. All of the features are designed based on fengshui and exracted from a house plan. We found that the internal fengshui of a house has an impact on pricing. In particular, door alignment, house shape, and the room connectivity have the most significant influence. Finally, we propose a method to diagnose a house, identifying the fengshui features that may lower the house price.. Keywords: fengshui, house plan, house pricing, multiple kernel learning, support vector regression. ii.
(4) 誌 謝 兩年碩士生涯將進入尾聲，我經歷了很多事，雖然時間不長，但卻有不少值 得回憶的事物。我花了不少時間在這份論文上，包含了我對於多媒體的用心及興 趣，但我知道這份成就不是我一個人就能達成，因此在誌謝中要感謝一路上幫助 我的人。 首先，能完成這本論文，最需要感謝的是我的指導教授葉梅珍老師，謝謝老 師的教導及鼓勵，不管是修課時的專業知識或是論文的研究方向，在遇到困難瓶 頸時給予適當建議，並且從老師身上學習到認真負責及努力的處事態度，讓我在 研究所的兩年當中成長很多。感謝口試委員蔡銘峰博士、柯佳伶博士，對於論文 上提供寶貴的意見，使我的論文能夠更加完善。 感謝實驗室的學長姐：宜聰、冠儀在碩一時對我的照顧，當作業和研讀論文 時遇到問題時，能夠適時的提供我協助，並且替我解惑。感謝我的同學：書堯， 在於修課研究時的照顧，尤其在最後的幾個月一起討論研究的內容，讓我在這兩 年學習的路上不孤單，且有討論的對象。感謝學弟妹：君儒、奕男帶給實驗室許 多歡樂及無私的幫忙，還有幫助我在論文上有更好的想法，祝福學弟妹在未來的 研究能順順利利。最後感謝我的家人，不管是物質或是精神上給予無條件的支持 和鼓勵，讓我能夠專心的研讀碩士學位，堅持到底完成碩士論文。. 祚禎 2016/08/21. iii.
(5) 目錄 簡介............................................................................................................. 2 研究背景與動機......................................................................................... 2 研究目的..................................................................................................... 5 論文架構..................................................................................................... 6 相關研究探討............................................................................................. 7 房屋外部與價格之研究............................................................................. 7 從資料中建立預測模型............................................................................. 8 房屋格局圖資料集................................................................................... 10 資料的擷取及分群................................................................................... 11 格局圖的浮水印處理及標記................................................................... 12 格局圖的特徵抽取與預測....................................................................... 15 特徵抽取................................................................................................... 15 4.1.1 房屋與房間外形........................................................................... 15 4.1.2 門的位置....................................................................................... 18 4.1.3 房間連通性................................................................................... 19 4.1.4 相對位置....................................................................................... 23 4.1.5 絕對位置....................................................................................... 24 4.1.6 外部環境特徵............................................................................... 26 實驗結果................................................................................................... 28 實驗設置................................................................................................... 28 實驗結果與分析....................................................................................... 32 5.2.1 房屋內部風水對其訂價之影響................................................... 33 5.2.2 影響訂價最多的風水因素........................................................... 38 5.2.3 診斷評分低的房屋....................................................................... 43 結論........................................................................................................... 50 參考文獻....................................................................................................................... 51. iv.
(6) 附圖目錄 圖 圖 圖 圖 圖 圖 圖. 2.2-1. 3.1-1. 3.2-1. 3.2-2. 3.2-3. 4.1-1. 4.1-2.. 永慶房仲網之範例圖 .............................................................................. 10 群大小的統計圖 ...................................................................................... 12 原始的房屋格局圖 .................................................................................. 12 去除浮水印的房屋格局圖 ...................................................................... 13 標記完成的房屋格局圖 .......................................................................... 14 縱向與橫向的門標記完成的房屋格局圖 .............................................. 18 房間中心點 .............................................................................................. 20. 圖 圖 圖 圖 圖 圖 圖 圖 圖. 4.1-3. 4.1-4. 4.1-5. 4.1-6. 4.1-7. 4.1-8. 5.1-1. 5.1-2. 5.1-3.. 完全連結的無向圖 .................................................................................. 20 最小生成樹 .............................................................................................. 21 最小生成樹中 2 至 10 的最短距離 ........................................................ 22 絕對位置的判定方法 .............................................................................. 25 旋轉過後的格局圖 .................................................................................. 25 外部特徵擷取的依據 .............................................................................. 26 房屋訂價依照開價的排序圖（由低至高） .......................................... 29 房屋訂價依照開價的統計圖 .................................................................. 29 房屋訂價經過映射依照風水的排序圖（由低至高） .......................... 30. 圖 圖 圖 圖. 5.1-4. 5.2-1. 5.2-2. 5.2-3.. 房屋訂價經過映射依照風水的統計圖 .................................................. 30 絕對價格使用內部、外部及全部核心的結果 ...................................... 36 相對價格使用內部、外部及全部核心的結果 ...................................... 37 預測風水不好的房屋依照價格排序圖 .................................................. 44. v.
(7) 附表目錄 表 表 表 表 表 表 表. 3.2-1. 房間顏色標記表 ...................................................................................... 14 4.1-1 外形相近的格局圖的傅立葉描述 ............................................................ 16 4.1-2. 外形相異的格局圖的傅立葉描述 .......................................................... 17 4.1-3. 縱向與橫向門的重疊個數與重疊量 ...................................................... 18 4.1-4. 房間流通性的特徵值 .............................................................................. 23 4.1-5. 相對位置的特徵值 .................................................................................. 24 4.1-6. 絕對位置的特徵值 .................................................................................. 25. 表 表 表 表 表 表 表 表 表. 4.1-7. 4.1-8. 5.1-1. 5.2-1. 5.2-2. 5.2-3. 5.2-4. 5.2-5. 5.2-6.. 表 表 表 表 表 表 表 表 表. 5.2-7. 使用內部特徵預測的核心權重(相對價格) ........................................... 41 5.2-8. 使用全部特徵預測的核心權重(相對價格) ........................................... 41 5.2-9. 內部風水的影響 ...................................................................................... 42 5.2-10. 高度影響的內部特徵實驗結果 ............................................................ 42 5.2-11. 房屋外型的診斷結果展示 .................................................................... 44 5.2-12. 門的位置診斷結果展示 ........................................................................ 45 5.2-13. 門的位置診斷結果與真實情況之比較 ................................................ 46 5.2-14. 浴廁的特徵診斷結果展示 .................................................................... 46 5.2-15. 臥室的特徵診斷結果展示 .................................................................... 47. 使用到的風水知識 .................................................................................. 27 特徵所對應的風水知識及維度 .............................................................. 27 各種特徵的距離計算 .............................................................................. 32 絕對價格和相對價格的實驗結果 .......................................................... 34 絕對價格和相對價格(轉換回絕對價格)的實驗結果 ........................... 34 使用外部特徵預測的核心權重(絕對價格) ........................................... 39 使用內部特徵預測的核心權重(絕對價格) ........................................... 39 使用全部特徵預測的核心權重(絕對價格) ........................................... 39 使用外部特徵預測的核心權重(相對價格) ........................................... 40. 表 5.2-16. 房間流通性診斷結果展示 .................................................................... 48 表 5.2-17. 絕對位置的特徵診斷結果展示 ............................................................ 48 表 5.2-18. 相對位置的特徵診斷結果展示 ............................................................ 49. 1.
(8) 簡介 在本章節中，我們探討研究的背景動機及說明實驗目的。透過觀察社會上的 需求，引領出關於此題目之想法以及解決此問題的方法。. 研究背景與動機 以前的台灣家庭結構，大部分的人都是大家庭，共同住在一個屋簷下，家中 的房子常常是三合院或是四合院。由於組成是用三棟房屋所結合，呈現一個ㄇ字 型，所以有關格局的規範也不勝枚舉。隨著社會變遷的腳步，到了現今的社會， 大家庭這種家庭結構漸漸減少，不少年輕人或是新婚情侶都會搬離原本家中的房 屋，另尋一個新的房屋。當在找新的房屋時，需要思考的事情就涉及到非常多， 例如交通的方便性、附近有市場或是買東西方便的地方、附近是否有運動的場所， 不同人會有不同的房屋需求。 當找到一間房屋在心中嚮往的地點後，重點就是要觀看需要長久居住的房屋 內部，若是房屋內部的格局設計不良，對於每天的心情有一定的影響，亦或是廚 房的位置不好，讓家人時常吸到油煙，對健康也造成不好的影響。『居家風水』 若是以科學角度來看，是一種經由生活環境與心理感知交互影響累積的經驗法則。 由於風水是經驗法則，所以在房屋內部的風水，很多規則都是因對人的健康或心 靈有不好的影響才衍生出來。因此，如何找到一間好風水的房屋，讓家人都可以 安心居住就是一個很重要的議題。. 2.
(9) 近日有不少的節目談論有關風水的議題，其中題材包含房屋格局影響人的健 康、運勢、事業等。許多人都很關心這類議題，因此這樣的主題可以吸引不少的 人觀看節目，並且觀眾看完後可以順便瞭解自家有無如此情形。更有節目是專門 在替人審視家中風水，主持人伴隨一位風水師到各個家中看房間的配置和物品的 位置，向屋主提出改善的建議。古云:「休息是為了走更長遠的路。」有一個好 的地方休息比什麼都重要。其實房屋風水不一定是迷信，它可能和房屋安全、生 體健康、身心發展都有關係。例如：屋內時常處於潮濕的狀態，除了房屋內木製 器材容易發霉外，食物也會因此不新鮮，人時常處於潮濕狀態，也容易因此生病。 從古代的帝王座向就講究坐北朝南到現在科技的時代還是有人對此堅信不 疑，覺得房屋的座向對於房屋影響很多。以台灣的例子來說，坐西北朝東南的房 子成交比例較高，這是因為台灣位於北半球，太陽在夏季是東偏北昇起，冬季是 東偏南昇起，所以坐西北朝東南的房子，夏天的時候，日照會斜曬進屋內，正因 為是斜曬的角度，室內才不至於過於高溫酷熱。 從科學的角度來看的話，其實沒有任何一種座向是完美無缺的，與其挑座向， 不如選一間格局好的房子認真裝潢。但是如何選一間好格局的房屋呢？對於這方 面不是專業的人占大多數，所以想要自己看房屋格局只能靠自己的知識，或是各 大書局都有在賣的風水書籍。但是市面上的房屋格局的型式太多，書中提到的都 是基本型，想要自己看屋還是太勉強。不過如果每一間房屋都邀請風水師來看， 花費也不是一般民眾負擔的起。坊間的做法是將自己已經購買的一間房屋，邀請. 3.
(10) 風水師來家中審視，替家中的格局做加強或是改變。但是這並不是我們所要的方 式，因為大部分的人可能都不是投資者，一輩子就只會買一次房屋，如果可以事 先就預防這些不好的格局，那就不需要後來的治療了！所以本論文想要提供一般 民眾一個風水上的參考，對於自身要買賣的房屋多一層理解。 為了提供民眾看房一個參考，本論文探討一個關鍵性的問題：房屋風水是否 影響房屋價格？藉由回答這個問題，對於利用房屋風水來觀看房屋才有所根據。 本論文利用網路上可以取得的資源，使用房屋仲介網站(永慶房仲網[2])，分析有 價格差異的房屋風水，透過機器學習的方式，以探討房屋格局於房價的影響，進 而對於房屋格局提出好的建議。. 4.
(11) 研究目的 房屋的外部對於一間房屋的風水來說最為重要，中華民國現代易經風水協會 理事長江柏樂則提醒，買房風水最重視外在環境，但儘管是預售屋時看周邊環境 很好，也難保未來附近不會蓋出其他具煞氣的高樓或嫌惡設施，「風水只有愈來 愈壞！」既然沒有辦法控制房屋外部的狀況，就只能從房屋內部開始下手，瞭解 自家不適當的房屋格局，找一個專業的室內設計師重新設計出一個好的房屋格局， 利用這種方法就能夠改善家中格局不好的狀況。大部分的人都認為，我的房子是 私有財產，我想怎麼變更格局是我的自由，但真的有這麼順利嗎？內政部從民國 96 年起就有了新的規定[3]，依據建築法第 77 條之 2 第 1 項第 1 款規定，供公眾 使用建築物之室內裝修應申請審查許可，非供公眾使用建築物，經內政部認有必 要時，亦同。所以找到好的格局是必要的一件事，本篇論文將從資料探討格局的 好壞，更進一步輔助民眾挑選一間好的房屋格局，讓往後的生活住起來舒適。 一本風水書中，由於它不能夠到現場觀看讀者的房屋，如書[1]中告訴讀者什 麼是不好的格局，利用這些規則教導讀者怎麼判斷好格局。但在知道什麼是好的 格局前，我們要先知道怎麼樣可以完整的觀看一間房屋的格局。由於每一間已經 完成的房屋都會有格局圖，在格局圖上，我們可以觀察到每一間房間的相對位置、 門開啟的位置、目前房間的配置狀況。獲得這些資料將有幫助我們學習什麼是好 的格局，所以本論文主要是使用格局圖來做主要的分析與研究。. 5.
(12) 與房屋最相關的議題就是探討各種因素對於房屋價格的影響，舉凡從地勢和 房屋所在地到附近公共設施或厭惡型設施，對於價格之影響，都有相關文獻 [4][5][6]。但大多數皆為研究房屋外部對於價格之影響，因此在本論文中欲回答 三個問題： 1.. 房屋內部的風水是否影響在市場價格上？. 2.. 在風水的知識中，影響價格最重要的因素為何？. 3.. 使用者的房屋是否犯了什麼風水上的禁忌？. 論文架構 本論文在第二章中，會對於房屋周邊環境或內部影響價格的相關研究和應用 做討論。在第三章，會對於使用的資料庫收集與使用方法詳細的敘述。在第四章， 對於房屋的格局圖可以使用的特徵，做詳細的探討與擷取的方法說明。在第五章， 說明實驗設置及實驗結果，並且解答上述三大問題。最後，在第六章的部分提出 我們的結論。. 6.
(13) 相關研究探討 房屋外部與價格之研究 在電腦科學中，目前對格局圖的風水還沒有許多的研究，但於經濟學領 域有一些和房地產相關的研究[4][5][6]。由於房屋外部的風水以及設施時是影 響房價的關鍵之一，因此這些研究主要是在研究房地產的外部情況。Hong 與 Lin 分析了使用台北都會區房屋之實際交易價格，以房屋至捷運車站之實際距 離及道路之實際寬度對於房屋價格之影響程度[4]。在道路寬度對於房屋價格 影響方面，道路寬度對於房屋價格確實有正面且顯著影響。對於商業使用之 房屋而言，重要性大於住宅使用者。在捷運系統對於房價影響方面，房屋至 捷運站之實際距離確實有影響，同時在愈繁榮之地區，房屋至捷運車站之距 離對於房屋價格影響較大。在論文[5]中作者提出了使用者在選購房屋的時候， 對房屋本身特質、環境品質、及住宅附近公共設施之服務項目等因素皆有考 量，但其中以房屋本身特質為主要考量因素，至於環境品質以及住宅附近公 共設施之服務項目兩者重要性較低。論文[4][5]在說明房屋外部的公共設施對 於房屋價格的影響，而本篇論文是以計算方法討論房屋內部風水對於房屋價 格的影響。 論文[6]想要找出不同的風水因子對於商用不動產的價格影響，其中包含 路沖、鄰近高架橋、鄰近神壇或廟宇和無尾巷等。商用不動產包括了店面、 7.
(14) 辦公室及住辦合用。論文[6]利用分量迴歸方法說明對價格較高的商用不動產 而言，路沖、鄰近神壇或廟宇以及基地低於地面等三項風水因子的負面影響 程度都是比價格較低的不動產還要來得大，顯示高價位的不動產對於這些負 面風水因子更為厭惡。不同於論文[6]主要是研究外部的風水對於不動產的影 響，本論文欲探討內部風水是否對於房屋價格也一樣的重要。相同之處在於 論文[6]想知道嫌惡性風水，本論文則是想知道房屋內部的風水，何者對於價 格的影響較大。. 從資料中建立預測模型 本論文採用多核學習技術來探討問題，由於特徵均由我們所設計，所擷 取的方式不相同，導致特徵的型態有所差異。若是利用單一核心做訓練模型 的支持向量回歸方法，無法充分發揮特徵的優點，因此利用多核學習可以解 決這個問題，每一個核心都能處理不同的特徵型態。 目前實現多核學習工具最常見的有 4 個，SimpleMKL 1 、Shogun 2 、 SPG-GMKL3、SMO-MKL4。論文[7]說明使用線性組合核心，且展示了如何使 用在一類問題、二類問題和回歸上。但是也有人採用非線性的做法來組合核 心，論文[8]就是使用此方法。這兩篇論文都優化了原本標準的 SVM，並且提 出了各自的演算法。在於使用大量核心的研究上，論文[9]使用了大量的核心 做組合，並且將多核學習運用在生物學中。在多核學習上使用的演算法，論 文[10][11]提出了新的演算法，優化計算的速度且提升準確度。但是一匹千里 1 2 3 4. http://www.jmlr.org/papers/v9/rakotomamonjy08a.html http://www.shogun-toolbox.org/doc/en/3.0.0/index.html http://www.cs.cornell.edu/~ashesh/pubs/code/SPG-GMKL/download.html http://research.microsoft.com/en-us/um/people/manik/code/SMO-MKL/download.html 8.
(15) 馬，需要一個好的伯樂，許多人使用多核學習來提升各項問題的準確度，論 文[12]講解了很多人使用在物體辨識，並且歸納出結果。這些結果包含了限制， 必須是大量資料或是在某些條件之下，多核心比起單核心更加準確且有效率。 本論文所使用的是大量的資料，因此使用多核學習是比較好的方式。 本論文最後選擇的多核學習工具為論文[11]所提出的 Spectral Projected Gradient - Generalized Multiple Kernel Learning (SPG-GMKL)，由於論文[11]參 考論文[10]提出新的演算法提升準確度，因此我們使用論文[10]來解釋多核學 習的方法。此方法計算多個核的最佳線性組合：𝐾 = ∑𝑘 𝑑𝑘 𝐾𝑘 (𝑥𝑖 , 𝑥𝑗 )，其中{𝐾𝑘 } 代表基底核(Base kernels)的集合，而權重係數𝑑𝑘 ≥ 0。主要問題可描述為： min. 𝟏. 𝒘,𝒃,ξ≥0,d≥0 𝟐. ∑𝒌 𝒘𝒕𝒌 𝒘𝒌 + 𝐶 ∑𝒊 ξ𝒊 + λ 𝒓(𝒅). s. t. 𝑦𝑖 (∑𝒌 𝒘𝑻𝒌 𝜱𝒌 (𝒙𝒊 ) + 𝑏) ≥ 1 − 𝜉𝑖. 公式 2.1. 此優化問題是由遺失項(Loss function)及調整項(regularizer) 𝒓所組成，而{𝛷𝑘 } 表示特徵所對應至之特徵空間。𝒓(𝒅)為調整項用以避免 d 至無限大。 論文中的核心利用 SPG-GMKL 的線性組合，最後經由論文[15]所提供的 LIBSVM 來實作回歸。我們想在多核學習的過程中，透過這些核心觀察特徵 對於房屋訂價影響，從中找出哪一些特徵對於房屋訂價影響為重。. 9.
(16) 房屋格局圖資料集 為了研究房屋內部風水與價格之關係，我們收集了許多房屋的格局圖及其價 格以利後續的研究。本論文選擇的資料來源為永慶房仲網[2]，網站如圖 2.2-1 所 示網站中提供了房屋的名稱、房屋型態、屋齡、樓層、坪數、格局、價格、格局 圖以及其他細部的房屋敘述。選擇研究的資料為台北市中的各類房屋，這些房屋 物件必須包含房屋的格局圖，若沒有則不採用。另外我們沒有採用店面物件，因 為在相似的房屋外部條件之下店面價格總是高於一般房屋的價格，甚至高出許多。 其次，店面通常只有一個大廳，這造成我們使用格局來分析工作無法進行，因此 不採用。. 圖 2.2-1. 永慶房仲網之範例圖. 10.
(17) 資料的擷取及分群 本論文使用 JSoup5來擷取房仲網站上的資料，此工具使用的語言為 Java，利 用這個工具可以幫助我們取得 HTML 中標籤的資訊，從標籤中可以取得的資訊有 房屋的格局圖、價格、所在路段、建坪、屋齡、格局。 由於影響房屋價格有許多的原因，不只僅於我們欲探討的內部風水，凶宅或 是房屋建商都有可能會影響房價，但是這些不是我們能夠掌握的資訊。除了這些 之外，房屋外部的影響也很大，像是所在的地點、附近的設施或是未來的公共建 設都會對房價有一定的影響。所以本論文利用分群的方法就外在條件類似的房屋 分在同一群，利用這個方式來排除一些房屋外部的影響。分群的條件使用的是永 慶房仲網上的搜尋條件，包含台北市的分區、坪數、屋齡、樓層、房屋型態，每 一個條件還會依照網站上的分割條件來做分群。分區以台北市為例，區分為 12 個區域。坪數分為 20 坪以下、20~30 坪、30~40 坪、40~50 坪、50 坪以上。屋齡 分為 1 年以下、1~5 年、5~10 年、10~20 年、20~30 年、30 年以上。樓層分為低 於 1 樓、1 樓、2~6 樓、7~10 樓、13 樓以上。房屋型態分為電梯大廈、無電梯公 寓、透天別墅。根據分群後的結果，我們認為資料數過少的群無法提供足夠的資 訊，在實驗中我們刪除資料數在兩筆以下（包含兩筆）的群。擷取下來的資料原 有 5568 筆，共 1168 群，經過刪除店面、無格局圖的房屋及房屋資料數過少的群， 最後總共可以分成 540 群，資料總數為 4579 筆。最大群數所包含的資料為 59 筆， 最小群數所包含的資料為 3 筆，資料分布如圖 3.1-1 所示。. 5. https://jsoup.org/ 11.
(18) 群大小的統計圖 116 120 97 100 80 54 46 343135. 60 40. 20. 141711 139 5 43322542005241211301111201201000000000001201. 000. 0 0. 5. 10. 15. 20. 25. 30. 35. 40. 45. 50. 55. 60. 每群中資料數. 圖 3.1-1. 群大小的統計圖. 格局圖的浮水印處理及標記 我們擷取下來的房屋格局圖，如圖 3.2-1 所示，圖中有永慶房仲網的浮水印， 首先去除與房屋格局無關的資訊，如浮水印。. 圖 3.2-1. 原始的房屋格局圖. 處理浮水印的方法是要偵測紅色浮水印的地方，找出紅色的部分後，將紅色 的部分全部改為白色，並且將整張圖片灰階化。經過這樣的處理後便可以完整的 消除浮水印，但因為圖片讀入且經過處理後顏色會有些許的差異，為了後續的計. 12.
(19) 算方便，所以我們將圖片的顏色二值化。經過多次的測試過後，發現將值 150 的 上下二值化後，效果最為顯著，房屋的線條可以明顯的看見，原本的一些雜訊也 會因此而被去除，處理後的結果如圖 3.2-2 所示。. 圖 3.2-2. 去除浮水印的房屋格局圖. 為讓後續的計算可以更快的進行，我們用以下方法自動標記格局圖。為了可 以有較高的準確率，本論文採取的標記方法是光柵掃描(raster scan)，利用房型的 文字及門的圖形方塊來掃描房屋格局圖，掃描到的部分將會著上該房型的顏色， 並且利用中心點來向其四方擴散，直到遇到黑色的邊停止。在本論文中總共標記 了六種房型以及門的位置，但並不是每一種房型在每一張格局圖中都會被標記， 必須原本的格局圖中有提及該房型才會進行標記。標記的結果如圖 3.2-3 所示， 詳細標記的顏色請見表 3.2-1. 房間顏色標記表。. 13.
(20) 圖 3.2-3. 標記完成的房屋格局圖. 表 3.2-1. 房間顏色標記表. 顏色. 代表房型. 紅色. 大門或房門. 綠色. 臥房. 淺藍色. 廚房. 深藍色. 陽台. 紫色. 客廳. 咖啡色. 餐廳. 橘色. 浴廁. 14.
(21) 格局圖的特徵抽取與預測 在本章節中，我們提出新的格局圖特徵，這些特徵除了可以表示格局圖之外， 還需要結合風水的知識，本論文參考的風水知識來自於書[1][13]。這些特徵必須 包括多面向，在後續的實驗方法中，我們將分析哪一個風水特徵對於房屋的價格 較為重要，且也在預測的結果知道風水是否影響房屋價格。. 特徵抽取 特徵的設計與研究的目標息息相關，都是從風水的知識而來，每一個特徵都 可以解釋成一個或多個風水上的現象。這些現象必須是格局圖上能夠觀察出來， 我們再利用計算的方式將之轉化為特徵。4.1.1 至 4.1.6 是各個特徵的介紹。. 4.1.1. 房屋與房間外形. 我們使用[11]傅立葉描述(Fourier descriptors) [14]作為描述輪廓外型的特徵。 這個特徵能有效提供相同外型要有接近的特徵向量，而不同外形應該有相異的特 徵向量，如表 4.1-1 與表 4.1-2 所示。我們先將格局圖(第一列)二元化形成傅立葉 描述所需的二元圖(第二列)，計算出外型特徵(第三列)。表 4.1-1 說明外形相近的 格局圖會有相近的特徵值。表 4.1-2 說明了外形相異的格局圖經過相同的傅立葉 描述計算，會有差異的特徵值。傅立葉描述在本論文中，將徑向頻率(Radial frequency)設為 3 和角頻率(Angular frequency)設為 12，所得特徵維度為 52。除了. 15.
(22) 表中的房屋外，臥室、陽台、浴廁、廚房、餐廳、客廳的外型均使用傅立葉描述 作為特徵。 表 4.1-1 外形相近的格局圖的傅立葉描述. 格局 1. 格局 2. 格 局 圖. 外 形 圖. 特 徵 值. 16.
(23) 表 4.1-2. 外形相異的格局圖的傅立葉描述. 格局 1. 格局 3. 格 局 圖. 外 形 圖. 特 徵 值. 17.
(24) 4.1.2. 門的位置. 書[1]中有一個完整章節在介紹門的位置，其對於房屋的內部風水，有不可忽 視的影響力。舉例來說，大門對上其他房門、廁所門對上廚房門、臥室門對上臥 室門，這些在於書中都有詳細的介紹為什麼這樣是不好的風水。對於門在格局圖 上可以觀察到的現象，我們認為從中可以知道門相對的資訊。本論文判斷門的相 對是計算門重疊的數量及距離，將一張格局圖的門分為縱向與橫向，如圖 4.1-1 所示，藍色維橫向開的門，綠色為縱向開的門。分別投射到 X、Y 軸上，利用重 疊的部分來計算重疊的個數(2 維向量，根據 x 與 y 方向)以及重疊量(亦為 2 維向 量)，開口相對的門才納入計算，最後，將縱向與橫向所計算出來的重疊個數以及 重疊量相加作為特徵，如表 4.1-3 所示，此特徵維度共 4 維。. 圖 4.1-1. 縱向與橫向的門標記完成的房屋格局圖 表 4.1-3. 縱向與橫向門的重疊個數與重疊量. 重疊個數(X 軸). 重疊量(X 軸). 重疊個數(Y 軸). 重疊量(Y 軸). 縱向門. 1. 7. 1. 17. 橫向門. 0. 0. 1. 10. 總和. 1. 7. 2. 27. 18.
(25) 4.1.3. 房間連通性. 房間之間的距離影響在家中行動的便利性，舉例來說計算出的距離較長的話， 代表的是在家中想到達其他的房間，所需的時間較長就不方便，若計算出的距離 較短，則反之。在格局圖上，對於我們來說，能掌握的是房間位置以及之間的距 離。假設每一個房間都是一個節點，最小生成樹(Minimum spanning tree)能提供將 房間連接的最短距離的資訊，且從此樹可以清楚地看出各房間的距離關係。 首先，我們偵測出各個房間的所在位置，由於一開始的前處理對房型做過標 記，所以我們可以利用顏色找出各個房型的所在，如圖 4.1-2所示，標示為粉紅 色的點為大門和房間中心點。由於房屋中沒有走不到的房間，且沒有過去無法回 來的情形，所以圖(graph)採用的是連接房間中心點的完全連結(fully connected)無 向圖，如圖 4.1-3所示。經過計算後再產生最小生成樹，如圖 4.1-4。利用最小生 成樹，算出各個節點之間的距離，儲存其中房間之間的最短距離，將之紀錄下來 做為特徵，如圖 4.1-5及表 4.1-4. 房間流通性的特徵值所示，使用表格上方三角 形非0的部分作為特徵，此特徵維度共21維。. 19.
(26) 圖 4.1-2. 房間中心點. 圖 4.1-3. 完全連結的無向圖. 20.
(27) 圖 4.1-4. 最小生成樹. 21.
(28) 圖 4.1-5. 最小生成樹中 2 至 10 的最短距離. 22.
(29) 表 4.1-4. 房間流通性的特徵值. 臥室. 陽台. 浴廁. 廚房. 客廳. 臥室. 0. 72.0232. 82.8184. 73.2895. 110.1193. 227.1289 220.4552. 陽台. 72.0232. 0. 271.8713. 145.3126. 62.2496. 179.2593. 浴廁. 82.8184. 271.8713. 0. 274.1807. 209.6217. 326.6313 319.9576. 廚房. 73.2895. 145.3126. 274.1807. 0. 534.3407. 651.3504 644.6767. 客廳. 110.1193. 62.2496. 209.6217. 534.3407. 0. 117.0096. 110.3359. 餐廳. 227.1289. 179.2593. 326.6313. 651.3504. 117.0096. 0. 227.3455. 大門. 220.4552. 48.0863. 319.9576. 644.6767. 110.3359. 227.3455. 0. 4.1.4. 餐廳. 大門. 48.0863. 相對位置. 相對位置的特徵可以提供電腦學習各個房間之間的相鄰關係。這些相鄰關係 在於好或是不好的風水中常常出現，利用這個差異來區分不同的房屋構造，我們 認為這是個重要的風水資訊。藉其了解房間之間的關係對於房屋訂價是否有影 響。 我們將任一房間和大門偵測其上下左右方的房間為何，將之紀錄下來做為特 徵。若臥室的附近還有偵測臥室，則將臥室與臥室之間的值填入 1，代表臥室的 旁邊還有臥室；若無偵測到臥室，則將臥室與臥室之間的值填入 0，代表臥室的 旁邊沒有臥室。範例如表 4.1-5 所示，由於相對位置的特徵有對稱的情形，因此 使用表格上方三角形作為特徵，此特徵維度共 28 維。. 23.
(30) 表 4.1-5. 相對位置的特徵值. 臥室. 陽台. 浴廁. 廚房. 客廳. 餐廳. 大門. 臥室. 1. 1. 1. 1. 1. 1. 1. 陽台. 1. 1. 0. 1. 1. 0. 1. 浴廁. 1. 0. 1. 1. 0. 1. 1. 廚房. 1. 1. 1. 1. 0. 1. 1. 客廳. 1. 1. 0. 0. 0. 1. 1. 餐廳. 1. 0. 1. 1. 1. 0. 1. 大門. 1. 1. 1. 1. 1. 1. 1. 4.1.5. 絕對位置. 此特徵在設計的想法是敘述整張格局圖，但若提供圖的像素值做為學習的特 徵，資訊可能過於繁雜，造成學習上的困難。所以我們設計下列方法以抽取房間 的絕對位置，除了資訊比較清楚外，也方便解讀它的含意。如圖 4.1-6 所示，我 們將每個房間和大門分類為在房屋的上方或下方，以及在房屋的左方或右方。另 外，我們使用入門的方向調整判定的基準點，首先搜尋出格局圖上的箭頭方向， 再對格局圖旋轉（箭頭一率朝上） 。如圖 4.1-7 所示，箭頭方向保持方向向上，若 無箭頭指示則不改變原格局圖方向。範例如表 4.1-6 所示，使用整個表格 28 維作 為絕對位置特徵。. 24.
(31) 圖 4.1-6. 絕對位置的判定方法. 圖 4.1-7. 旋轉過後的格局圖. 表 4.1-6. 絕對位置的特徵值. 上. 下. 左. 右. 臥室. 1. 1. 1. 1. 陽台. 1. 1. 0. 1. 浴廁. 1. 0. 1. 0. 廚房. 1. 0. 0. 1. 客廳. 0. 1. 1. 1. 餐廳. 1. 1. 0. 1. 大門. 0. 1. 0. 1. 25.
(32) 4.1.6. 外部環境特徵. 外部特徵的擷取是為了知道外部與內部的特徵哪個最有效，且在全部特徵中 可以更了解內部特徵的影響程度為何。外部特徵擷取了房屋的分區、坪數、屋齡、 樓層、房屋型態，這些資訊在於資料的擷取時已經獲得，如圖 4.1-8 所示。所以 我們只需要判斷字串，對於不同的字串做標記即可。. 圖 4.1-8. 外部特徵擷取的依據. 特徵的設計概念來自於風水知識，來自於書[1][13]，我們分成 3 個大項：外 形、門、各房間的關係及位置，對於設計出來的特徵所使用到的風水知識如表 4.1-7 分別列舉出三大項使用到的風水知識，而表 4.1-8 說明了各個特徵所對應到 的風水知識以及特徵的維度。. 26.
(33) 表 4.1-7. 使用到的風水知識. 房屋形狀(判斷缺角) 外形 餐廳形狀(最好是馬蹄形狀) 大門與其他房型的門相對 房間門與房間門相對 門. 房間門與廚房門相對 廚房門不可與大門、房間門和廁所門相對 (這些相對的狀態在風水上都是不好的情況) 廁所、廚房、樓梯在房屋中間(不好的風水) 餐廳和客廳的位置(設置不良容易漏財) 餐廳和廚房的位置(設置不良容易情緒煩躁、腸胃疾病) 浴廁位置(設置不良容易煩惱多) 廚房切到浴廁(影響身體健康，特別是腸胃和婦科問題). 各房間 的關係 及位置. 浴廁設計在廚房裡(影響身體健康，特別是腸胃和泌尿問題) 客廳和浴廁的位置(設置不良容易破財，風水名詞為「進堂見廁」) 客廳和廚房的位置(設置不良容易影響身體健康，夫妻失和或口角問 題，風水名詞為「進堂見灶」) 餐廳位置(設置不良容易漏財，風水名詞為「進門見膳」) 客廳和餐廳的位置(設置不良容易漏財，或是親朋好友借錢不還，風 水名詞為「先膳後堂」) 表 4.1-8. 特徵所對應的風水知識及維度. 風水知識與特徵的對應關係. 特徵維度. 房屋外形(或房間). 形狀. 52 維(房屋或房型). 門的位置. 門. 4 維(映射到 x, y 軸上的個數 及距離). 房間流通性. 各房間的關係及位置. 21 維. 相對位置. 各房間的關係及位置. 28 維. 絕對位置. 各房間的關係及位置. 28 維. 總共. 445 維. 27.
(34) 實驗結果 本論文利用支持向量回歸(Support vector regression)以及多核學習(Multiple Kernel Learning)來幫助我們回答問題。實驗中使用的是論文[11]的 SPG-GMKL， 來實作多核的融合，再利用加總後的核心透過論文[15]的 LIBSVM 實作支持向量 回歸。. 實驗設置 實驗所使用的資料總數為 4579 筆，使用 3053 筆作為訓練資料，1526 筆作為 測試資料。目前的資料依照實際價格做排序後，結果如圖 5.1-1、圖 5.1-2 所示， x 軸為總資料比數、y 軸為房屋訂價的絕對價格，所有價格均除以房屋訂價中的 最高價格。觀察資料的時候發現有幾個情況，可能對於支持向量回歸的預測有影 響。我們認為有些好格局的房屋可能會因為一些外在的影響，影響到它在整體價 格中的表現。因此我們透過原先的分群，將每一群中的最高價格當成 1，將每一 群中的最低價格當成 0，對於每一筆資料使用線性的方法做資料映射(Data mapping)。如此一來，我們將一些原先在絕對價格中較低價的房屋都提升成為了 格局相較好的房屋，結果如圖 5.1-3、圖 5.1-4 所示，圖中可看出增加了相對高價 的資料數量。但是價格經過轉換的房屋，目前發現相對價格可能遭到該區高房價 的影響外，可能還有其他的資料會遺失。因此我們除了使用相對價格來做回歸外， 也利用絕對價格來做相同的回歸實驗。 28.
(35) 圖 5.1-1. 房屋訂價依照開價的排序圖（由低至高）. 圖 5.1-2. 房屋訂價依照開價的統計圖. 29.
(36) 圖 5.1-3. 房屋訂價經過映射依照風水的排序圖（由低至高）. 圖 5.1-4. 房屋訂價經過映射依照風水的統計圖. 30.
(37) 實驗中使用到第四章所介紹的特徵，總特徵維度為 450 維，回顧本論文欲探 討的問題一為房屋格局有沒有反應在市場價格上，因此特徵當中包含 445 維與房 屋內部相關的特徵，以及 5 維與房屋外部相關的特徵。由於特徵的形態各不相同， 所以每種特徵型態有各自的核心計算方式，以產生各自的相似度矩陣。接著我們 運用多核學習的方式計算出這些核心所占的比重 從這些比重值觀察哪些因素影 響價格。 特徵之間的距離計算方法根據不同的數值型態以及特徵特性有不同的計算 方式，計算方法如表 5.1-1 所示，經過計算後，我們取得了每一筆資料中特徵的 距離。當中外型特徵的距離、門的重疊個數、樓層、屋齡、坪數的距離 Di，再使 用公式 5.1 計算所需的相似度 S。. 𝑆𝑖 = 𝑒 −𝐷𝑖 , 𝑖 = 1. .5,. 公式 5.1. 雖然房間流通性亦利用歐幾里得距離 dS 所計算，但由於計算出來的數值套入上述 的公式會導致很多相似度數值趨近於 0 或是等於 0，所以我們利用不同的相似度 公式計算其相似度 SS：. 𝑺𝑺 =. 𝟏. 公式 5.2. 𝟏+𝒅𝑺. 計算相對位置及絕對位置特徵的距離則使用漢明距離，我們使用的是 MATLAB 中的 pdist2 函數，在這個函數中的漢明距離會在計算後除以原始的資料長度，因 此我們利用 1 - d 來當作相對位置和絕對位置的相似度。在二值化的區域及外型， 我們直接將相同的區域設定相似度為 1，不同的區域相似度為 0。. 31.
(38) 表 5.1-1. 各種特徵的距離計算. 資料型態. 特徵距離計算方式. 浮點數. 歐幾里得距離 (L2 norm). 門的位置. 正整數. 曼哈頓距離 (L1 norm). 房間流通性. 浮點數. 歐幾里得距離 (L2 norm). 相對位置. 二元數. 房屋與房間外形(房屋、 陽台、浴廁、臥室、廚房、 客廳、餐廳). 漢明距離 (Hamming Distance) 絕對位置. 漢明距離 二元數 (Hamming Distance) 外在環境特徵 正整數. 曼哈頓距離 (L1 norm). (樓層、屋齡、坪數) 外在環境特徵 正整數 (區域、房屋型態). 二值化 (只有相同與不同). 我們使用多核學習方法，輸入這些算好的特徵相似度作為學習時所需的核心， 這些核心在模型中會有各自的權重。透過觀察這些權重，我們便可以知道影響房 屋價格的是哪些特徵。. 實驗結果與分析 我們分析實驗的結果以回答內部風水與房屋定價有關的三個問題： 1.. 房屋內部的風水是否影響在市場價格上？. 2.. 在風水的知識中，影響價格最重要的因素為何？. 3.. 使用者的房屋是否犯了什麼風水上的禁忌？. 32.
(39) 5.2.1. 房屋內部風水對其訂價之影響. 我們首先討論房屋格局的影響有沒有反應在市場價格上。在此實驗中，我們 分別使用外部特徵和內部特徵的核心，以及使用全部特徵所計算出來的核心做訓 練及測試。此實驗在絕對價格以及相對價格的設置均相同，在觀察內部特徵的影 響實驗中使用了 11 個利用內部特徵所計算出來的核心，外部特徵的實驗使用了 5 個利用外部特徵所計算出來的核心。在多核學習中，我們的測試發現，使用的工 具會因資料量影響可以計算的核心數量，測試的結果依照我們的資料量，核心數 量能使用 12 個。因此全部核心中，僅使用 7 個內部特徵的核心，而外部特徵仍 維持 5 個，因為我們想知道內部特徵在有外部特徵的情況下，是否還能有一定程 度的影響力。而在 7 個內部特徵的選取上，為了能夠以各個面向來做評估，所以 在選擇上，全部特徵的實驗中就不加入廚房、陽台、客廳、餐廳的輪廓特徵。依 照上述設置進行五次隨機分割的訓練及測試，其結果的預測與實際價格的均方差 (Mean squared error)如表 5.2-1 所示，另外，我們將相對價格轉換回絕對價格，其 結果如表 5.2-2 所示。. 33.
(40) 表 5.2-1. 絕對價格和相對價格的實驗結果. 絕對價格. 相對價格. 均方差 平均值. 標準差. 平均值. 標準差. 內部特徵(11 個核心). 20,196,836.9. 1,928,268.26. 0.113668. 0.002907427. 外部特徵(5 個核心). 15,810,119.1. 1,743,078.98. 0.111369. 0.002204318. 15,794,176.2. 1,729,726.96. 0.110698. 0.002409011. 全部特徵(7 個內部特 徵核心、5 個外部特 徵核心) 表 5.2-2. 絕對價格和相對價格(轉換回絕對價格)的實驗結果. 絕對價格. 相對價格. 均方差 平均值. 標準差. 平均值. 標準差. 內部特徵(11 個核心). 20,196,836.9. 1,928,268.26. 9,727,610.0. 718,721.35. 外部特徵(5 個核心). 15,810,119.1. 1,743,078.98. 9,658,643.7. 710,122.15. 15,794,176.2. 1,729,726.96. 9,441,798.1. 724,284.15. 全部特徵(7 個內部特 徵核心、5 個外部特 徵核心) 在這個實驗中，我們計算預測誤差值𝐸（公式 5.2） ，其中𝑃代表預測出來的數 值，而𝑂代表原始的數值。. 𝐸=. |𝑃 − 𝑂|. 公式 5.2. 𝑂. 我們取其中一個分割來作探討，將誤差值的計算結果做統計後，依然對絕對價格 及相對價格分別做觀察。絕對價格的結果如圖 5.2-1 所示；相對價格的結果如圖 5.2-2 所示。此圖為誤差值累計數量圖，每一個區間為 10%誤差率，最後一個區間 為在 100%以上誤差率的累計數量，其各區間詳細數量均在表格中展示。. 34.
(41) 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 226. 179. 188. 178. 176. 145. 120. 80. 63. 29. 142. 226. 405. 593. 771. 947. 1092. 1212. 1292. 累積 數量. 1355 1384 1526. (a) 使用內部核心預測的誤差值累計數量圖表(絕對價格). 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 424. 373. 264. 184. 94. 62. 47. 28. 16. 11. 23. 424. 797. 1061 1245 1339 1401 1448 1476 1492. 累積 數量 (b) 使用外部核心預測的誤差值累計數量圖表(絕對價格). 35. 1503 1526.
(42) 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 427. 366. 269. 185. 99. 59. 45. 30. 12. 12. 22. 427. 793. 1062. 1247. 1346. 1405. 1450. 1480. 累積 數量. 1492 1504 1526. (c) 使用全部核心預測的誤差值累計數量圖表(絕對價格). 圖 5.2-1. 絕對價格使用內部、外部及全部核心的結果. 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 466. 434. 264. 137. 77. 39. 23. 12. 6. 14. 54. 466. 900. 1164. 1301. 1378. 1417. 1440. 1452. 累積 數量. 1458 1472 1526. (a) 使用內部核心預測的誤差值累計數量圖表(相對價格) 36.
(43) 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 470. 420. 299. 146. 66. 47. 27. 12. 5. 13. 21. 470. 890. 1189. 1335. 1401. 1448. 1475. 1487. 累積 數量. (b). 1492 1505 1526. 使用外部核心預測的誤差值累計數量圖表(相對價格). 區間. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 數量. 473. 440. 266. 142. 66. 50. 19. 19. 15. 9. 27. 473. 913. 1179. 1321. 1387. 1437. 1456. 1475. 累積 數量. 1490 1499 1526. (c) 使用全部核心預測的誤差值累計數量圖(相對價格). 圖 5.2-2. 相對價格使用內部、外部及全部核心的結果. 37.
(44) 在上述的實驗中，我們觀察到如果僅使用內部特徵，其效果沒有比僅使用外 部特徵的效果佳。若是同時使用內部及外部特徵，預測結果確實比起只使用內部 特徵或只使用外部特徵時更佳。因此，我們認為房屋內部的特徵對於房價預測有 輔助的效果。這些特徵的設計概念來自於書[1]中的風水，因此這個實驗也說明了 房屋內部的風水對於房屋的訂價有影響。. 5.2.2. 影響訂價最多的風水因素. 在風水的知識中，影響價格最重要的因素，我們可以從實驗中的模型參數， 找出哪項特徵對於房屋訂價的預測影響最大。為了要容易觀察哪項特徵影響為重， 在設計核心的時候，將每一個特徵都分開來計算，最後觀察哪個核心佔有最大的 權重，這個特徵就是影響房屋訂價最多的特徵。 在決定特徵的重要性上，我們依舊對於絕對價格和相對價格的預測做觀察， 在這個觀察中，我們希望能夠得到結果的一致性或是有一些共同點。與上述實驗 相同，一樣分為僅使用外部特徵和僅使用內部特徵做預測，最後將 7 個內部特徵 和 5 個外部特徵共同做預測，其結果如下表所示，表 5.2-3、表 5.2-4、表 5.2-5 為使用絕對價格做預測；表 5.2-6、表 5.2-7、表 5.2-8 為使用相對價格做預測。 表格中核心的順序已依照其權重排序，我們也計算出在 5 個分割實驗中各個權重 的平均值及標準差。. 38.
(45) 表 5.2-3. 使用外部特徵預測的核心權重(絕對價格). 權重 核心. 平均值. 標準差. 房屋樓層. 1,960.46. 8.04. 分區. 934.78. 36.39. 房屋坪數. 363.94. 29.38. 房屋年齡. 271.85. 35.91. 房屋型態. 268.27. 11.28. 表 5.2-4. 使用內部特徵預測的核心權重(絕對價格). 權重 核心. 平均值. 標準差. 門的位置. 443.86. 21.23. 餐廳的外型. 424.08. 26.97. 陽台的外型. 231.88. 25.77. 浴廁的外型. 225.45. 7.63. 房屋的外型. 197.46. 17.80. 相對位置的特徵. 182.70. 14.42. 房間流通性. 171.33. 35.90. 廚房的外型. 133.38. 33.84. 客廳的外型. 119.23. 37.86. 絕對位置的特徵. 94.78. 13.63. 臥室的外型. 12.38. 7.96. 表 5.2-5. 使用全部特徵預測的核心權重(絕對價格). 權重 核心. 平均值. 標準差. 房屋樓層. 1,946.41. 6.86. 分區. 936.71. 29.07. 39.
(46) 房屋坪數. 373.04. 23.67. 房屋型態. 298.66. 8.18. 房屋年齡. 279.88. 29.88. 門的位置. 195.06. 22.90. 浴廁的外型. 158.36. 25.52. 房間流通性. 93.17. 20.29. 房屋的外型. 40.27. 8.41. 相對位置的特徵. 28.91. 13.95. 絕對位置的特徵. 27.55. 5.96. 臥室的外型. 8.20. 7.15. 因為只用外部特徵在預測的結果確實比只用內部特徵好，所以在表 5.2-5 中， 可以明顯的看到，在做整體特徵預測時，外部特徵的權重仍是比較重。但在 5.2.1 中，我們了解只用外部特徵預測的結果仍是比使用全部特徵的差。從表 5.2-5 中 也可以觀察到門的位置，雖然不是最大的影響，但是占的比重也不低，除了進一 步驗證內部風水有影響房屋訂價外，更能清楚知道門的位置對於房屋訂價也有一 定的影響。 表 5.2-6. 使用外部特徵預測的核心權重(相對價格). 權重 核心. 平均值. 標準差. 房屋樓層. 3.47. 0.18. 分區. 2.33. 0.39. 房屋坪數. 1.83. 0.67. 房屋年齡. 0.89. 0.40. 房屋型態. 0.65. 0.45. 40.
(47) 表 5.2-7. 使用內部特徵預測的核心權重(相對價格). 權重 核心. 平均值. 標準差. 房間流通性. 27.82. 0.19. 門的位置. 14.10. 0.36. 房屋的外型. 4.64. 0.48. 絕對位置的特徵. 2.58. 0.14. 相對位置的特徵. 2.51. 0.11. 臥室的外型. 1.97. 0.31. 廚房的外型. 1.59. 0.15. 浴廁的外型. 1.51. 0.17. 陽台的外型. 1.36. 0.18. 客廳的外型. 1.36. 0.15. 餐廳的外型. 0.61. 0.31. 表 5.2-8. 使用全部特徵預測的核心權重(相對價格). 權重 核心. 平均值. 標準差. 房間流通性. 26.84433. 0.174444. 門的位置. 13.59891. 0.386886. 房屋的外型. 4.556195. 0.388537. 房屋樓層. 3.508963. 0.123098. 相對位置的特徵. 3.033805. 0.252843. 絕對位置的特徵. 2.389926. 0.31541. 浴廁的外型. 1.906618. 0.173003. 分區. 1.863367. 0.300838. 臥室的外型. 1.694868. 0.281617. 房屋坪數. 1.616593. 0.675888. 41.
(48) 房屋年齡. 1.281848. 0.233753. 房屋型態. 0.76086. 0.442588. 我們在計算相對價格時，因為要探討房屋內部風水對於訂價的影響，因此盡 量將外部的影響降低。從表 5.2-8 中，可以發現我們降低了房屋外部的影響，但 是房屋外部的權重順序，仍與表 5.2-6 吻合。觀察內部特徵在於整體特徵中的影 響，可以發現房間流通性和門的位置，對於房屋的相對價格預測有最大的權重， 其順序結果也與表 5.2-7 吻合。 整體的來觀看這兩個結果，我們利用內部風水特徵在於全部特徵預測中的排 序，歸納出了對於房屋訂價的影響程度，如表 5.2-9 所示。 表 5.2-9. 內部風水的影響. 內部風水特徵 高度影響. 門的位置、房屋的外型、房間流通性. 低度影響. 絕對位置的特徵、相對位置的特徵、臥室的外型. 未知. 浴廁的外型. 若是使用高度影響的三項特徵來做預測，其結果與原本使用所有的內部特徵 比較如表 5.2-10 所示。 表 5.2-10. 高度影響的內部特徵實驗結果. 絕對價格. 相對價格. 均方差 內部特徵(11 個核心). 平均值. 標準差. 平均值. 標準差. 20,196,836.9. 1,928,268.26. 0.113668. 0.002907427. 20,229,323.2. 1,915,275.03. 0.114204. 0.003605468. 高度影響的內部特徵 (3 個核心). 42.
(49) 5.2.3. 診斷評分低的房屋. 經由上述的實驗可以得到每一筆測試資料的房價預測值，這個預測值是經由 學習過後，房價預測模型依據測試房屋與訓練房屋的相似度，所給予的分數，因 此從相似度的地方著手。生病的人才需要看醫生，不好的房子才需要做診斷，所 以在此實驗中，我們將被預測出是風水不好的房屋拿出來做診斷。風水不好的房 屋判斷依據是依照相對房價預測的結果，只要預測結果低於 0.5 的將被拿出來做 風水上的診斷，測試的資料總共 1319 筆。診斷方法採用的是最近鄰居法(KNN)， K 等於 9。首先，我們把有列入訓練及測試的核心拿出來做診斷，診斷的內容不 包含外部特徵。將每一個特徵利用原本計算相似度的距離公式作為最近鄰居法距 離計算公式，找出與訓練資料相鄰的 9 個點後，判斷是好或壞的風水占多數，利 用多數來判定目前這個風水特徵屬於好或是不好。將這些被診斷出來不好的風水， 作為建議提供給使用者。為了確認我們的方法不只是把低價的房屋挑出來做診斷， 所以將所有低於 0.5 的房屋依照各自的價格排序，如圖 5.2-3 所示。房屋外型的 診斷結果如表 5.2-11 所示。. 43.
(50) 圖 5.2-3. 預測風水不好的房屋依照價格排序圖. 表 5.2-11. 房屋外型的診斷結果展示. 趨近好的特徵(房屋外型). 趨近不好的特徵(房屋外型). 44.
(51) 表 5.2-12. 門的位置診斷結果展示. 趨近好的特徵(門的位置). 趨近不好的特徵(門的位置). 由於門的位置，在風水書[1]中的定義比較明確，我們可以明確的看出在格局 圖中是否真的存在門對門的情形，因此我們做了一個驗證門的位置診斷是否有效 的實驗。我們檢視每一張格局圖中是否真的門對門的情形，和診斷出來的結果做 比較，比較的結果以表 5.2-13 作呈現。. 45.
(52) 表 5.2-13. 門的位置診斷結果與真實情況之比較. 預測 門對門 有. 沒有. 有. 510. 146. 沒有. 345. 318. 真實. 在其他內部特徵的實驗中，除了房屋外型及門的位置，有使用的內部特徵， 診斷結果將以展示的方法呈現，表 5.2-12 為門的位置做出的診斷、表 5.2-14 為 浴廁的特徵做出的診斷、表 5.2-15 為臥室的特徵做出的診斷、表 5.2-16 為房間 之間最短距離做出的診斷、表 5.2-17 為絕對位置的特徵做出的診斷、表 5.2-18 為相對位置的特徵做出的診斷。 表 5.2-14. 浴廁的特徵診斷結果展示. 趨近好的特徵(浴廁的特徵). 46.
(53) 趨近不好的特徵(浴廁的特徵). 表 5.2-15. 臥室的特徵診斷結果展示. 趨近好的特徵(臥室的特徵). 趨近不好的特徵(臥室的特徵). 47.
(54) 表 5.2-16. 房間流通性診斷結果展示. 趨近好的特徵(房間流通性). 趨近不好的特徵(房間流通性). 表 5.2-17. 絕對位置的特徵診斷結果展示. 趨近好的特徵(絕對位置). 48.
(55) 趨近不好的特徵(絕對位置). 表 5.2-18. 相對位置的特徵診斷結果展示. 趨近好的特徵(相對位置). 趨近不好的特徵(相對位置). 49.
(56) 結論 在本論文中，我們利用房屋格局圖來做風水上的研究，且提出了新的計算房 屋格局圖特徵的方法，設計概念皆來自於風水，因此不包含低階的影像特徵。這 些特徵包含了風水中多個層面，設計時對於房屋與各房間外型、整體房型架構及 門的位置皆有著墨。本論文利用與內部風水相關的特徵，透過機器學習的方式， 觀察目前市售的房屋中，格局圖與其訂價的關係，再使用測試的結果解釋其影響 力。我們發現房屋內部的風水影響房屋訂價，且在模型建立中也獲得了風水影響 的資訊，包括內部風水影響的程度為何。在診斷的部分，由於書中沒有定義確切 的房間外型或位置，導致部分診斷無法讓使用者明白正確的修改方向。但我們提 出的方法可以提供其與其他房屋比較結果，包括趨近於好或壞的房屋範例。藉由 此資訊作為參考，考慮自己的房屋是否需要修改。. 50.
(57) 參考文獻 [1] 謝沅瑾(2004)。《謝沅瑾居家風水教科書》。台北市：柏室科技藝術。 [2] 永慶房仲網6。 [3] 〈中華民國內政部建築法〉7( 民國 100 年 01 月 05 日修正 )。 [4] Der-Yang Hong, Chu-Chia Lin, “A Study on the Impact of Subway System and Road Width on the Housing Prices of Taipei”, Journal of Housing Studies, volume 8, pp. 47-67, August 1999. [5] Chu-Chia Lin, Sue-Jing Lin, “An Analysis of the Effect of Environment Quality and Public Facilities on Housing Prices and Rents in Taiwan”, Journal of Housing Studies, volume 1, pp. 21-45, January 1993. [6] Chu-Chia Lin, Li-Jung Huang, “An Estimation of the Impact of Unwanted Fengshui on the Prices of Commercial Real Estate in Taiwan”, Journal of Housing Studies, volume 23 no. 1, pp. 51-72, June, 2014. [7] Rakotomamonjy, A., Bach, F., Grandvalet, Y., & Canu, S., “Simplemkl”, Journal of Machine Learning Research, Volume 9, pp. 2491–2521, 2008. [8] C. Cortes, M. Mohri, and A. Rostamizadeh, “Learning Nonlinear Combinations of Kernels”, in NIPS 22, pp. 396–404, 2009. [9] S. Sonnenburg, G. R¨atsch, C. Sch¨afer, and B. Sch¨olkopf, “Large Scale Multiple Kernel Learning”, Journal of Machine Learning Research, vol. 7, pp. 1531–1565, 2006. [10] S. Vishwanathan, Z. Sun, N. Ampornpunt, and M. Varma, “Multiple Kernel Learning and the SMO Algorithm”, in NIPS, pp. 2361–2369, 2010.. 6 7. http://www.yungching.com.tw/ http://glrs.moi.gov.tw/LawContentDetails.aspx?id=FL003824&KeyWordHL=&StyleType=1, 2011 51.
(58) [11] Ashesh Jain, S. V. N. Vishwanathan and M. Varma. “SPG-GMKL: Generalized Multiple Kernel Learning with a Million Kernels”, in Proceedings of the ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Beijing, China, August 2012. [12] Serhat S. Bucak, Rong Jin, and Anil K. Jain, “Multiple Kernel Learning for Visual Object Recognition: A Review”, IEEE Transactions on Pattern Analysis and Machine Intelligence, volume 36, no. 7, pp. 1354-1369, July 2014. [13] 緯來綜合台(2014)。《風水!有關係:好風水不求人》。台北市：時報文化。 [14] Dengsheng Zhang, Guojun Lu, “Shape-Based Image Retrieval Using Generic Fourier Descriptors”, International Journal of Signal Processing: Image Communication, pp. 825-848, August 2001. [15] C. C. Chang and C. J. Lin, “Libsvm: a Library for Support Vector Machines”, ACM Transactions on Intelligent Systems and Technology, volume 2, issue 3, 2011.. 52.
(59)
Outline
相關文件
- Informants: Principal, Vice-principals, curriculum leaders, English teachers, content subject teachers, students, parents.. - 12 cases could be categorised into 3 types, based
Wang, Solving pseudomonotone variational inequalities and pseudocon- vex optimization problems using the projection neural network, IEEE Transactions on Neural Networks 17
Define instead the imaginary.. potential, magnetic field, lattice…) Dirac-BdG Hamiltonian:. with small, and matrix
This study aims at evaluating the learning effects on the part of students from the teacher-designed concrete vector classroom-teaching approach in Plane Vector course on the basis
Predict daily maximal load of January 1999 A time series prediction problem.. Data
DVDs, Podcasts, language teaching software, video games, and even foreign- language music and music videos can provide positive and fun associations with the language for
Microphone and 600 ohm line conduits shall be mechanically and electrically connected to receptacle boxes and electrically grounded to the audio system ground point.. Lines in
Core vector machines: Fast SVM training on very large data sets. Using the Nystr¨ om method to speed up
