TY - THES AB - Hauspreisevaluierungen sind ein essenzieller, aber arbeitsaufwändiger Bestandteil in Kauf-, Finanzierungs- oder Grundsteueraktivitäten. Informationssysteme basierend auf hedonischen Preismodellen helfen die Aufgabe zu automatisieren und fokussieren auf klassische Hauseigenschaften und lineare Modelle. Jedoch haben diese eine limitierte Vorhersagepräzision und können keine impliziten Preiseinflüsse aus unstrukturierten Daten wie Bildern bemessen. Das Ziel dieser Arbeit ist die Verbesserung der Hauspreisschätzung durch Multi-view Learning, welche verschiedene Datentypen gleichzeitig analysieren kann. Aktuell bleiben der Einfluss von Datenquellen und Modellierungsstrategie auf die Vorhersagegenauigkeit unklar. Zusätzlich muss die Erklärbarkeit der Algorithmen eruiert werden. Unsere Experimente zeigen, dass Hauspreisschätzungen basierend auf Multi-view Modellen zwischen 5.4% und 34% genauer sind. Eine Kombination aus geo-räumlichen Daten, sowie Außen- und Straßenbildern verbessert die Vorhersageperformance am stärksten, während Multi-view Neuronal Networks die performantesten Modelle sind. Erklärbare künstliche Intelligenz hilft bei der Identifizierung von Entscheidungsparametern, z.B. durch die entwickelte Grad-Ram Erklärbarkeitsmethode. Aus ökonomischer Sicht zeigt ein Vergleich von Such- und Erfahrungseigenschaften, dass beide essenziell für die Hauspreisschätzung sind. Schlussendlich wird eine Taxonomie für die Erklärbarkeit von Vorhersagesystemen konstruiert. AU - Kucklick, Jan-Peter CY - Paderborn DA - 2023 DO - 10.17619/UNIPB/1-1837 DP - Universität Paderborn LA - eng N1 - Tag der Verteidigung: 12.09.2023 N1 - Universität Paderborn, Dissertation, 2023 PB - Veröffentlichungen der Universität PY - 2023 SP - 1 Online-Ressource (xi, 134 Seiten) T2 - Department 3: Wirtschaftsinformatik TI - Multi-view learning and explainable artificial intelligence for real estate appraisal: von Jan-Peter Kucklick UR - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-45999 Y2 - 2026-01-20T06:53:44 ER -