Machine Learning: Der einfache Weg zu exakten Mietpreisschätzungen

Eine Bachelorarbeit, in Kooperation mit Wüest Partner, über die Herausforderungen und Chancen der Verwendung von „Blackbox“-Modellen in der Mietpreisschätzung.

Das Ziel der hedoni­schen Mietpreisschätzung ist an sich sehr simpel: Gesucht wird eine Funktion, die als Eingabewerte verschiedene Objekteigenschaften erhält und einen Preis ausspuckt, der möglichst gut die Wirklichkeit wieder­spiegelt. Die klassi­schen Verfahren zur  Mietpreisschätzung haben jedoch eine Schwachstelle. Bei ihnen werden eine Vielzahl von Annahmen getroffen und dass, obwohl zunächst einmal vollkommen unbekannt ist, wie die Schätzfunktion überhaupt aussieht. Das Problem ist schnell ersichtlich: Die Annahmen können falsch sein und es macht viel Arbeit sie alle zu überprüfen. Es wäre also erstre­benswert, für eine Schätzung möglichst wenige Annahmen treffen zu müssen. 

Beispiel eines Partial Dependence Plots (PDP). Der PDP zeigt den mittleren margi­nalen Effekt einer Veränderung von ein- oder zwei erklä­renden Variablen auf die Schätzungen eines Machine-Learning-Modells. Ein PDP kann zeigen, ob die Beziehung zwischen der Zielgröße und einem Merkmal linear, monoton oder komplexer ist (Molnar, 2019). In dieser Grafik wird der mittlere Effekt einer Veränderung des Baujahrs und der Wohnungsgröße auf den Mietpreis darge­stellt. Das Baujahr und der Mietpreis sind hier standar­di­siert.

An dieser Stelle kommt die Methode des Machine-Learnings ins Spiel. Machine Learning ist eine Sammelbezeichnung für verschiedene Algorithmen mit denen ein Computer, auf Basis von Daten, Vorhersagen treffen kann. Die Algorithmen, die sich für eine Mietpreisschätzung eigenen, können auch als nicht-lineare, nicht-parametrische Erweiterung von klassi­schen Regressionsmethoden verstanden werden. Ihr Vorteil gegenüber den klassi­schen Methoden, wie beispiels­weise einer linearen Regression mit einem OLS-Schätzer, bestehen darin, dass keine Annahmen über die funktionale Form oder die zugrun­de­lie­gende Datenverteilung getroffen werden müssen. Mit Machine-Learning können nicht-lineare Beziehungen oder Wechselwirkungen der erklä­renden Variablen, mehr oder weniger, automa­tisch erfasst werden. Daher können sie häufig exaktere Schätzungen abgeben und das auch noch mit weniger Arbeitsaufwand für den Ersteller des Schätzmodells.  

ICE-Diagramme (Individual Conditional Expectations) zeigen eine Linie pro Instanz, die anzeigt, wie sich die Vorhersage der Instanz ändert, wenn sich ein Merkmal ändert. In der Grafik sind ICE Plots von 60 zufällig gezogenen Wohnungsinseraten zu sehen, bei denen die Wohnungsgröße variiert wurde. Ziel dieser Darstellung ist es heterogene Effekte in den Schätzungen erkennen zu können und ggf. den Ursachen dafür auf den Grund zu gehen.

Doch einen Nachteil gibt es: Die Interpretierbarkeit. Die Schätzungen, die mithilfe von Machine-Learning-Modellen erstellt werden, lassen sich nur schwer nachvoll­ziehen. Gerade das ist aber eine notwendige Voraussetzung, um der Methode trauen zu können. In der Bachelorarbeit wurde daher ein beson­derer Fokus auf das sogenannte Interpretable Machine Learning gelegt; eine noch recht junge Forschungsdisziplin, die es sich zum Ziel gesetzt hat, die Schätzungen trans­parent zu machen. Exemplarisch wurde ein künst­liches neuro­nales Netz, ein Paradebeispiel für ein Blackbox-Modell aus dem Bereich des Machine-Learnings, zuerst trainiert und anschließend mit Hilfe von Individual Conditional Expecatations (zu sehen in Abbildung 2), Partial Dependence Plots (zu sehen in Abbildung 1) und vielen weiteren Methoden und Darstellungsformen analy­siert. Dadurch  ist es möglich geworden, die gewohnte Interpretierbarkeit, à la „Wenn x sich um … verändert, dann verändert sich y um …“ , auch bei einem Machine-Learning Modellen sicher­zu­stellen. Interpretable Machine-Learning ermög­licht so eine Verbindung und eine Ergänzung des bisher bestehenden Expertenwissens mit den Möglichkeiten von Machine-Learning.