類神經網路(Neural Network)是人工智慧(Artificial Intelligence)的一種，利用模仿腦神經處理資訊的原理，以數學模型，經由電腦軟硬體等方式，對於不動產進行鑑價，可說是電腦估價的範疇之一。為解決以市場比較法進行估價作業時，估價人員往往因為自己的主觀認知有所不同，而產生估價結果有相當的差距，造成不能建立估價人員的專業公信力，產生人人均可以從事估價之錯覺。是以，為解決估價上過於主觀之問題，透過類神經網路之功能，能分析交易價格與影響價格主要因素之關係，利用大量已成交的資料，學習這些關係之結構變化，進而推估較具客觀性的價格，提供估價人員的諮詢與參考，恰有助於整個估價流程的合理性與可接受性。 對於文山區與大安區中古屋交易資料，以多層感知機 (Multilayer Perceptrons，MLP) 類神經網路模式之分析結果，可發現在年訓練資料的測試結果中，不動產交易價格波動變化穩定之狀況下的預估效果較佳，然而在不動產價格變動率較大之狀況下，其預估效果明顯降低；進一步比較的一年期訓練資料、半年期訓練資料、季訓練資料之預估結果後發現，以一年期訓練資料之預估效果較佳；經由輸入變數篩選後再預估，其整體預估效果均有改善；最後以訓練資料期間為選取導向與訓練資料量多寡為選取導向之測試結果作比較，可發現訓練資料期間為選取導向的預估結果較佳，說明訓練資料的選擇必須考量其時效的重要性。 關鍵字：類神經網路(Neural Network)、訓練資料選取、變數篩選分析

本論文比較了幾種估計線性模型係數的方法，包括LASSO、Elastic Net、LAD-LASSO、EBLASSO和EBENet。有別於普通最小平方法，這些方法在估計模型係數的同時，能夠達到變數篩選，也就是刪除不重要的解釋變數，只將重要的變數保留在模型中。在現今大數據的時代，資料量有著愈來愈龐大的趨勢，其中不乏上百個甚至上千個解釋變數的資料，對於這樣的資料，變數篩選就顯得更加重要。本文主要目的為評估各種估計模型係數方法的特性與優劣，當中包含了兩種模擬研究與兩筆實際資料應用。由模擬的分析結果來看，每種估計方法都有不同的特性，沒有一種方法使用在所有資料都是最好的。 / In this study, we compare several methods for estimating coefficients of linear models, including LASSO, Elastic Net, LAD-LASSO, EBLASSO and EBENet. These methods are different from Ordinary Least Square (OLS) because they allow estimation of coefficients and variable selection simultaneously. In other words, these methods eliminate non-important predictors and only important predictors remain in the model. In the age of big data, quantity of data has become larger and larger. A datum with hundreds of or thousands of predictors is also common. For this type of data, variable selection is apparently more essential. The primary goal of this article is to compare properties of different variable selection methods as well as to find which method best fits a large number of data. Two simulation scenarios and two real data applications are included in this study. By analyzing results from the simulation study, we can find that every method enjoys different characteristics, and no standard method can handle all kinds of data.