Lessons from a human-in-the-loop machine learning approach for identifying vacant, abandoned, and deteriorated properties in Savannah, Georgia

管理空置、废弃和恶化物业的应对策略对于维护健康社区至关重要。然而，识别这些物业的过程可能很困难。在这里，我们创建了一个名为VADecide的人机协同机器学习（HITLML）模型，并将其应用于乔治亚州萨凡纳市的一个地块级案例。结果显示，与在训练中没有人类输入的机器学习模型相比，预测准确率更高。HITLML方法还揭示了机器与人类生成结果之间的差异。我们的研究结果有助于了解在城市规划中应用HITLML的优势和挑战。[已被同行评审期刊接受发表]

论文旨在创建一个人机交互的机器学习模型，用于识别和管理空置、废弃和恶化的房产，以维护健康的社区。同时，论文试图验证这种方法是否比单纯使用机器学习模型更加准确。

论文提出了一个名为VADecide的人机交互机器学习模型，该模型在训练时加入了人类的参与，提高了模型的准确性。同时，论文还对比了人工和机器学习模型的结果，发现两者有所不同。

论文的实验结果表明，VADecide模型的准确性比单纯使用机器学习模型更高。此外，论文还提出了一些关于人机交互机器学习模型的优势和挑战，为城市规划领域的研究提供了新思路。

最近在这个领域中，还有一些相关研究，如《A Review of Machine Learning Applications in Urban Planning》、《Predicting Blight: A Machine Learning Approach to Understanding Code Violations》等。