Ври классификатор: 01.09.2014 N 540 » » ( ) |

Содержание

О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. N 540 , Приказ Минэкономразвития России от 04 февраля 2019 года №44

О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. N 540

Внести в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. N 540 (зарегистрирован в Минюсте России 8 сентября 2014 г., регистрационный N 33995) с изменениями, внесенными приказами Минэкономразвития России от 30 сентября 2015 г. N 709 (зарегистрирован в Минюсте России 21 октября 2015 г., регистрационный N 39397), от 6 октября 2017 г. N 547 (зарегистрирован в Минюсте России 25 октября 2017 г., регистрационный N 48683), от 9 августа 2018 г. N 418 (зарегистрирован в Минюсте России 8 октября 2018 г. , регистрационный N 52351), изменения согласно приложению к настоящему приказу.

Министр

М.С.Орешкин

Зарегистрировано

в Министерстве юстиции

Российской Федерации

27 марта 2019 года,

регистрационный N 54182

Приложение. Изменения, которые вносятся в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. N 540

Приложение
к приказу Минэкономразвития России
от 4 февраля 2019 года N 44

1. Столбец 2 строки с кодом (числовым обозначением) вида разрешенного использования земельного участка (далее — код) «1.7» после цифр «1.11» дополнить цифрами «,1.15, 1.19, 1.20».

2. В столбце 2 строки с кодом «2.0» слова «с кодами 2.1-2.7.1» заменить словами «с кодами 2.1-2.3, 2.5-2.7.1».

3. В столбце 2 строки с кодом «2.1»:

слова «Размещение индивидуального жилого дома (дом, пригодный для постоянного проживания, высотой не выше трех надземных этажей)» заменить словами «Размещение жилого дома (отдельно стоящего здания количеством надземных этажей не более чем три, высотой не более двадцати метров, которое состоит из комнат и помещений вспомогательного использования, предназначенных для удовлетворения гражданами бытовых и иных нужд, связанных с их проживанием в таком здании, не предназначенного для раздела на самостоятельные объекты недвижимости)»;


слова «плодовых, ягодных, овощных, бахчевых или иных декоративных или» исключить;

слова «подсобных сооружений» заменить словами «хозяйственных построек».

4. В столбце 2 строки с кодом «2.1.1»:

слова «Размещение малоэтажного многоквартирного жилого дома (дом, пригодный для постоянного проживания, высотой до 4 этажей, включая мансардный)» заменить словами «Размещение малоэтажных многоквартирных домов (многоквартирные дома высотой до 4 этажей, включая мансардный)»;

слова «разведение декоративных и плодовых деревьев, овощных и ягодных культур; размещение индивидуальных гаражей и иных вспомогательных сооружений;» исключить;

слова «площадок отдыха» заменить словами «площадок для отдыха».


5. В строке с кодом «2.2»:

столбец 1 дополнить словами «(приусадебный земельный участок)»;

в столбце 2 слова «не предназначенного для раздела на квартиры (дома, пригодные для постоянного проживания и высотой не выше трех надземных этажей)» заменить словами «указанного в описании вида разрешенного использования с кодом 2.1».

6. В столбце 2 строки с кодом «2.3»:

слова «не предназначенного для раздела на квартиры,» исключить;

слова «с соседним блоком или соседними блоками» заменить словами «с соседним домом или соседними домами»;

слова «площадок отдыха» заменить словами «площадок для отдыха».

7. В столбце 2 строки с кодом «2.5»:

слова «Размещение жилых домов, предназначенных для разделения на квартиры, каждая из которых пригодна для постоянного проживания (жилые дома высотой не выше восьми надземных этажей, разделенных на две и более квартиры)» заменить словами «Размещение многоквартирных домов этажностью не выше восьми этажей»;


слова «площадок отдыха» заменить словами «площадок для отдыха».

8. В столбце 2 строки с кодом «2.6»:

слова «Размещение жилых домов, предназначенных для разделения на квартиры, каждая из которых пригодна для постоянного проживания (жилые дома высотой девять и выше этажей, включая подземные, разделенных на двадцать и более квартир)» заменить словами «Размещение многоквартирных домов этажностью девять этажей и выше»;

после слов «хозяйственных площадок» дополнить словами «и площадок для отдыха»;

слово «наземных» исключить.

9. В столбце 2 строки с кодом «2.7» цифры «4.7, 4.9» заменить цифрами «5.1.2, 5.1.3».

10. Строку с кодом 2.7.1 изложить в следующей редакции:


«

Хранение автотранспорта

Размещение отдельно стоящих и пристроенных гаражей, в том числе подземных, предназначенных для хранения автотранспорта, в том числе с разделением на машино-места, за исключением гаражей, размещение которых предусмотрено содержанием вида разрешенного использования с кодом 4. 9

2.7.1


«.

11. Столбец 2 строки с кодом «3.1» изложить в следующей редакции:

«Размещение зданий и сооружений в целях обеспечения физических и юридических лиц коммунальными услугами. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.1.1-3.1.2».

12. Дополнить строками с кодами «3.1.1-3.1.2» следующего содержания:


«

Предоставление коммунальных услуг

Размещение зданий и сооружений, обеспечивающих поставку воды, тепла, электричества, газа, отвод канализационных стоков, очистку и уборку объектов недвижимости (котельных, водозаборов, очистных сооружений, насосных станций, водопроводов, линий электропередач, трансформаторных подстанций, газопроводов, линий связи, телефонных станций, канализаций, стоянок, гаражей и мастерских для обслуживания уборочной и аварийной техники, сооружений, необходимых для сбора и плавки снега)

3. 1.1

Административные здания организаций, обеспечивающих предоставление коммунальных услуг

Размещение зданий, предназначенных для приема физических и юридических лиц в связи с предоставлением им коммунальных услуг

3.1.2


«.

13. Столбец 2 строки с кодом «3.2» изложить в следующей редакции:

«Размещение зданий, предназначенных для оказания гражданам социальной помощи. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.2.1-3.2.4».

14. Дополнить строками с кодами «3.2.1-3.2.4» следующего содержания:

«

Дома социального обслуживания

Размещение зданий, предназначенных для размещения домов престарелых, домов ребенка, детских домов, пунктов ночлега для бездомных граждан;
размещение объектов капитального строительства для временного размещения вынужденных переселенцев, лиц, признанных беженцами

3.

2.1

Оказание социальной помощи населению

Размещение зданий, предназначенных для служб психологической и бесплатной юридической помощи, социальных, пенсионных и иных служб (службы занятости населения, пункты питания малоимущих граждан), в которых осуществляется прием граждан по вопросам оказания социальной помощи и назначения социальных или пенсионных выплат, а также для размещения общественных некоммерческих организаций: некоммерческих фондов, благотворительных организаций, клубов по интересам

3.2.2

Оказание услуг связи

Размещение зданий, предназначенных для размещения пунктов оказания услуг почтовой, телеграфной, междугородней и международной телефонной связи

3.2.3

Общежития

Размещение зданий, предназначенных для размещения общежитий, предназначенных для проживания граждан на время их работы, службы или обучения, за исключением зданий, размещение которых предусмотрено содержанием вида разрешенного использования с кодом 4.

7

3.2.4


«.

15. Столбец 2 строки с кодом «3.4.2»:

после слов «родильные дома,» дополнить словами «диспансеры,»;

слова «скорой помощи» заменить словами «скорой помощи;»;

дополнить абзацем третьим следующего содержания:

«размещение площадок санитарной авиации».

16. Дополнить строкой с кодом «3.4.3» следующего содержания:

«

Медицинские организации особого назначения

Размещение объектов капитального строительства для размещения медицинских организаций, осуществляющих проведение судебно-медицинской и патолого-анатомической экспертизы (морги)

3.4.3


«.

17. В столбце 2 строки с кодом «3.5» слова «(детские ясли, детские сады, школы, лицеи, гимназии, профессиональные технические училища, колледжи, художественные, музыкальные школы и училища, образовательные кружки, общества знаний, институты, университеты, организации по переподготовке и повышению квалификации специалистов и иные организации, осуществляющие деятельность по воспитанию, образованию и просвещению)» исключить.

18. Столбец 2 строки с кодом «3.5.1» после слов «образованию и просвещению)» дополнить словами «, в том числе зданий, спортивных сооружений, предназначенных для занятия обучающихся физической культурой и спортом».

19. Столбец 2 строки с кодом «3.5.2» после слов «образованию и просвещению)» дополнить словами «, в том числе зданий, спортивных сооружений, предназначенных для занятия обучающихся физической культурой и спортом».

20. Столбец 2 строки с кодом «3.6» изложить в следующей редакции:

«Размещение зданий и сооружений, предназначенных для размещения объектов культуры. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.6.1-3.6.3».

21. Дополнить строками с кодами «3.6.1-3.6.3» следующего содержания:

«

Объекты культурно-досуговой деятельности

Размещение зданий, предназначенных для размещения музеев, выставочных залов, художественных галерей, домов культуры, библиотек, кинотеатров и кинозалов, театров, филармоний, концертных залов, планетариев

3. 6.1

Парки культуры и отдыха

Размещение парков культуры и отдыха

3.6.2

Цирки и зверинцы

Размещение зданий и сооружений для размещения цирков, зверинцев, зоопарков, зоосадов, океанариумов и осуществления сопутствующих видов деятельности по содержанию диких животных в неволе

3.6.3


«.

22. Столбец 2 строки с кодом «3.7» изложить в следующей редакции:

«Размещение зданий и сооружений религиозного использования. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.7.1-3.7.2».

23. Дополнить строками с кодами «3.7.1-3.7.2» следующего содержания:

«

Осуществление религиозных обрядов

Размещение зданий и сооружений, предназначенных для совершения религиозных обрядов и церемоний (в том числе церкви, соборы, храмы, часовни, мечети, молельные дома, синагоги)

3. 7.1

Религиозное управление и образование

Размещение зданий, предназначенных для постоянного местонахождения духовных лиц, паломников и послушников в связи с осуществлением ими религиозной службы, а также для осуществления благотворительной и религиозной образовательной деятельности (монастыри, скиты, дома священнослужителей, воскресные и религиозные школы, семинарии, духовные училища)

3.7.2


«.

24. Столбец 2 строки с кодом «3.8» изложить в следующей редакции:

«Размещение зданий, предназначенных для размещения органов и организаций общественного управления. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.8.1-3.8.2».

25. Дополнить строками с кодами «3.8.1-3.8.2» следующего содержания:

«

Государственное управление

Размещение зданий, предназначенных для размещения государственных органов, государственного пенсионного фонда, органов местного самоуправления, судов, а также организаций, непосредственно обеспечивающих их деятельность или оказывающих государственные и (или) муниципальные услуги

3. 8.1

Представительская деятельность

Размещение зданий, предназначенных для дипломатических представительств иностранных государств и субъектов Российской Федерации, консульских учреждений в Российской Федерации

3.8.2


«.

26. Столбец 2 строки с кодом «3.9» изложить в следующей редакции:

«Размещение зданий и сооружений для обеспечения научной деятельности. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 3.9.1-3.9.3».

27. Дополнить строками с кодами «3.9.2-3.9.3» следующего содержания:

«

Проведение научных исследований

Размещение зданий и сооружений, предназначенных для проведения научных изысканий, исследований и разработок (научно-исследовательские и проектные институты, научные центры, инновационные центры, государственные академии наук, опытно-конструкторские центры, в том числе отраслевые)

3. 9.2

Проведение научных испытаний

Размещение зданий и сооружений для проведения изысканий, испытаний опытных промышленных образцов, для размещения организаций, осуществляющих научные изыскания, исследования и разработки, научные и селекционные работы, ведение сельского и лесного хозяйства для получения ценных с научной точки зрения образцов растительного и животного мира

3.9.3


«.

28. В столбце 2 строки с кодом «4.2» слова «с кодами 4.5-4.9» заменить словами «с кодами 4.5-4.8.2».

29. Столбец 2 строки с кодом «4.5» после слова «страховые» дополнить словом «услуги».

30. Столбец 2 строки с кодом «4.8» изложить в следующей редакции:

«Размещение зданий и сооружений, предназначенных для развлечения. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 4. 8.1-4.8.3″.

31. Дополнить строками с кодами «4.8.1-4.8.3» следующего содержания:

«

Развлекательные мероприятия

Размещение зданий и сооружений, предназначенных для организации развлекательных мероприятий, путешествий, для размещения дискотек и танцевальных площадок, ночных клубов, аквапарков, боулинга, аттракционов и т.п., игровых автоматов (кроме игрового оборудования, используемого для проведения азартных игр), игровых площадок

4.8.1

Проведение азартных игр

Размещение зданий и сооружений, предназначенных для размещения букмекерских контор, тотализаторов, их пунктов приема ставок вне игорных зон

4.8.2

Проведение азартных игр в игорных зонах

Размещение зданий и сооружений в игорных зонах, где допускается размещение игорных заведений, залов игровых автоматов, используемых для проведения азартных игр и игровых столов, а также размещение гостиниц и заведений общественного питания для посетителей игорных зон

4. 8.3


«.

32. Строку с кодом 4.9 изложить в следующей редакции:

«

Служебные гаражи

Размещение постоянных или временных гаражей, стоянок для хранения служебного автотранспорта, используемого в целях осуществления видов деятельности, предусмотренных видами разрешенного использования с кодами 3.0, 4.0, а также для стоянки и хранения транспортных средств общего пользования, в том числе в депо

4.9


«.

33. Строку с кодом «4.9.1» изложить в следующей редакции:

«

Объекты дорожного сервиса

Размещение зданий и сооружений дорожного сервиса. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 4. 9.1.1-4.9.1.4

4.9.1


«.

34. Дополнить строками с кодами «4.9.1.1-4.9.1.4» следующего содержания:

«

Заправка транспортных средств

Размещение автозаправочных станций; размещение магазинов сопутствующей торговли, зданий для организации общественного питания в качестве объектов дорожного сервиса

4.9.1.1

Обеспечение дорожного отдыха

Размещение зданий для предоставления гостиничных услуг в качестве дорожного сервиса (мотелей), а также размещение магазинов сопутствующей торговли, зданий для организации общественного питания в качестве объектов дорожного сервиса

4.9.1.2

Автомобильные мойки

Размещение автомобильных моек, а также размещение магазинов сопутствующей торговли

4. 9.1.3

Ремонт автомобилей

Размещение мастерских, предназначенных для ремонта и обслуживания автомобилей, и прочих объектов дорожного сервиса, а также размещение магазинов сопутствующей торговли

4.9.1.4


«.

35. В столбце 2 строки с кодом «5.0» слова «за парками, городскими лесами, садами и скверами, прудами, озерами, водохранилищами, пляжами, береговыми полосами водных объектов общего пользования» заменить словами «за городскими лесами, скверами, прудами, озерами, водохранилищами, пляжами».

36. Столбец 2 строки с кодом «5.1» изложить в следующей редакции:

«Размещение зданий и сооружений для занятия спортом. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 5.1.1-5.1.7».

37. Дополнить строками с кодами «5. 1.1-5.1.7″ следующего содержания:

«

Обеспечение спортивно-зрелищных мероприятий

Размещение спортивно-зрелищных зданий и сооружений, имеющих специальные места для зрителей от 500 мест (стадионов, дворцов спорта, ледовых дворцов, ипподромов)

5.1.1

Обеспечение занятий спортом в помещениях

Размещение спортивных клубов, спортивных залов, бассейнов, физкультурно-оздоровительных комплексов в зданиях и сооружениях

5.1.2

Площадки для занятий спортом

Размещение площадок для занятия спортом и физкультурой на открытом воздухе (физкультурные площадки, беговые дорожки, поля для спортивной игры)

5.1.3

Оборудованные площадки для занятий спортом

Размещение сооружений для занятия спортом и физкультурой на открытом воздухе (теннисные корты, автодромы, мотодромы, трамплины, спортивные стрельбища)

5. 1.4

Водный спорт

Размещение спортивных сооружений для занятия водными видами спорта (причалы и сооружения, необходимые для организации водных видов спорта и хранения соответствующего инвентаря)

5.1.5

Авиационный спорт

Размещение спортивных сооружений для занятия авиационными видами спорта (ангары, взлетно-посадочные площадки и иные сооружения, необходимые для организации авиационных видов спорта и хранения соответствующего инвентаря)

5.1.6

Спортивные базы

Размещение спортивных баз и лагерей, в которых осуществляется спортивная подготовка длительно проживающих в них лиц

5.1.7


«.

38. В столбце 2 строки с кодом «5.5» после слов «земляных работ и» дополнить словом «размещения».

39. В столбце 2 строки с кодом «6.0» слово «недр» заменить словами «полезных ископаемых».

40. В столбце 2 строки с кодом «6.1» по тексту слово «недр» заменить словами «полезных ископаемых».

41. В столбце 2 строки с кодом «6.8» слова «вида разрешенного использования с кодом 3.1» заменить словами «видов разрешенного использования с кодами 3.1.1, 3.2.3».

42. Дополнить строкой с кодом «6.9.1» следующего содержания:

«

Складские площадки

Временное хранение, распределение и перевалка грузов (за исключением хранения стратегических запасов) на открытом воздухе

6.9.1


«.

43. Дополнить строкой с кодом «6.12» следующего содержания:

«

Научно-производственная деятельность

Размещение технологических, промышленных, агропромышленных парков, бизнес-инкубаторов

6. 12


«.

44. Столбец 2 строки с кодом «7.1» изложить в следующей редакции:

«Размещение объектов капитального строительства железнодорожного транспорта. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 7.1.1-7.1.2».

45. Дополнить строками с кодами «7.1.1-7.1.2» следующего содержания:

«

Железнодорожные пути

Размещение железнодорожных путей

7.1.1

Обслуживание железнодорожных перевозок

Размещение зданий и сооружений, в том числе железнодорожных вокзалов и станций, а также устройств и объектов, необходимых для эксплуатации, содержания, строительства, реконструкции, ремонта наземных и подземных зданий, сооружений, устройств и других объектов железнодорожного транспорта;
размещение погрузочно-разгрузочных площадок, прирельсовых складов (за исключением складов горюче-смазочных материалов и автозаправочных станций любых типов, а также складов, предназначенных для хранения опасных веществ и материалов, не предназначенных непосредственно для обеспечения железнодорожных перевозок) и иных объектов при условии соблюдения требований безопасности движения, установленных федеральными законами

7. 1.2


«.

46. Столбец 2 строки с кодом «7.2» изложить в следующей редакции:

«Размещение зданий и сооружений автомобильного транспорта. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 7.2.1-7.2.3».

47. Дополнить строками с кодами «7.2.1-7.2.3» следующего содержания:

«

Размещение автомобильных дорог

Размещение автомобильных дорог за пределами населенных пунктов и технически связанных с ними сооружений, придорожных стоянок (парковок) транспортных средств в границах городских улиц и дорог, за исключением предусмотренных видами разрешенного использования с кодами 2.7.1, 4.9, 7.2.3, а также некапитальных сооружений, предназначенных для охраны транспортных средств; размещение объектов, предназначенных для размещения постов органов внутренних дел, ответственных за безопасность дорожного движения

7. 2.1

Обслуживание перевозок пассажиров

Размещение зданий и сооружений, предназначенных для обслуживания пассажиров, за исключением объектов капитального строительства, размещение которых предусмотрено содержанием вида разрешенного использования с кодом 7.6

7.2.2

Стоянки транспорта общего пользования

Размещение стоянок транспортных средств, осуществляющих перевозки людей по установленному маршруту

7.2.3


«.

48. Столбец 2 строки с кодом «7.3» после слов «водных перевозок» дополнить словами «, заправки водного транспорта».

49. Дополнить строкой с кодом «7.6» следующего содержания:

«

Внеуличный транспорт

Размещение сооружений, необходимых для эксплуатации метрополитена, в том числе наземных путей метрополитена, посадочных станций, межстанционных переходов для пассажиров, электродепо, вентиляционных шахт;
размещение наземных сооружений иных видов внеуличного транспорта (монорельсового транспорта, подвесных канатных дорог, фуникулеров)

7. 6


«.

50. В столбце 2 строки с кодом «8.3» после слов «органов внутренних дел» дополнить словами «, Росгвардии».

51. В столбце 2 строки с кодом «9.0» после слов «ботанические сады» дополнить словами «, оранжереи».

52. В столбце 2 строки с кодом «9.2.1» слова «и профилакториев» заменить словами «, профилакториев, бальнеологических лечебниц, грязелечебниц».

53. В столбце 2 строки с кодом «9.3» после слов «и ремесел,» дополнить словами «исторических поселений,».

54. В столбце 2 строки с кодом «10.0» слова «с кодами 10.1-10.5» заменить словами «с кодами 10.1-10.4».

55. Столбец 2 строки с кодом «12.0» изложить в следующей редакции:

«Земельные участки общего пользования. Содержание данного вида разрешенного использования включает в себя содержание видов разрешенного использования с кодами 12. 0.1-12.0.2″.

56. Дополнить строками с кодами «12.0.1-12.0.2» следующего содержания:

«

Улично-дорожная сеть

Размещение объектов улично-дорожной сети: автомобильных дорог, трамвайных путей и пешеходных тротуаров в границах населенных пунктов, пешеходных переходов, бульваров, площадей, проездов, велодорожек и объектов велотранспортной и инженерной инфраструктуры;
размещение придорожных стоянок (парковок) транспортных средств в границах городских улиц и дорог, за исключением предусмотренных видами разрешенного использования с кодами 2.7.1, 4.9, 7.2.3, а также некапитальных сооружений, предназначенных для охраны транспортных средств

12.0.1

Благоустройство территории

Размещение декоративных, технических, планировочных, конструктивных устройств, элементов озеленения, различных видов оборудования и оформления, малых архитектурных форм, некапитальных нестационарных строений и сооружений, информационных щитов и указателей, применяемых как составные части благоустройства территории, общественных туалетов

12. 0.2


«.

57. В столбце 2 строки с кодом «12.1»:

слово «сооружений» заменить словом «сооружений;»;

дополнить абзацем третьим следующего содержания:

«осуществление деятельности по производству продукции ритуально-обрядового назначения».

58. В столбце 2 строки с кодом «12.2» слово «переработки» заменить словом «переработки)».

59. В столбце 2 строки с кодом «13.2» слова «садовых домов, жилых домов,» заменить словами «садового дома, жилого дома, указанного в описании вида разрешенного использования с кодом 2.1,».

60. Примечание 2 после слов «геодезических знаков» дополнить словами «, объектов благоустройства».

Электронный текст документа

подготовлен АО «Кодекс» и сверен по:

Официальный интернет-портал

правовой информации

www. pravo.gov.ru, 28.03.2019,

N 0001201903280011

Как определить соответствие ВРИ участка для ИЖС, ЛПХ, КФХ, дачного строительства виду использования по Классификатору

Содержание

 

Обновлённый в 2019 году состав ВРИ ЗУ представлен в Классификаторе видов разрешённого использования. Наименование ВРИ в классификаторе может отличаться от того, что фигурирует в существующих документах на ЗУ.

Для ряда задач:

  • изменение ВРИ
  • присвоение ВРИ новым образуемым участкам
  • регистрация объектов недвижимости в ЕГРН
  • другие

требуется установление соответствия прежнего ВРИ с видом использования земельного надела по Классификатору.

В случаях, когда вид разрешённого использования ЗУ был установлен до утверждения Классификатора ВРИ, он остаётся действительным, независимо от того, соответствует он или нет Классификатору. Так установлено федеральным законом ФЗ №171 (часть 11 статьи 34 ФЗ №171).

В этом случае ВРИ замене не подлежит, если только у собственника не возникнет надобность в этой замене. Изменить вид разрешённого использования ЗУ можно только в соответствии с Классификатором ВРИ.

 

ВРИ ЗУ – параметр градрегламента, требующий соответствия с Классификатором ВРИ

 

Понимание требований – условие принятия верных решений. Они позволяют оценить:

  • возможность изменения ВРИ (при необходимости)
  • правильность определения изменённого ВРИ по Классификатору

В территориальные зоны поселений включаются целые группы ЗУ с примерно одинаковым назначением:

  • в жилую зону попадают участки:
    • для многоэтажного жилого строительства
    • для среднеэтажного жилого строительства
    • для малоэтажного жилого строительства
    • для индивидуального жилого строительства (ИЖС)
    • другие
  • в зону с/х использования включаются участки:
    • для сельхозпроизводства
    • для скотоводства
    • для звероводста
    • для птицеводства
    • для ведения личного подсобного хозяйства (ЛПХ)
    • для ведения садоводства, огородничества
    • другие

Территориальные зоны, градостроительные градрегламенты, ВРИ ЗУ, возможность или невозможность застройки участков — результат территориального планирования земель каждого муниципального образования.

Территориальное планирование проводится по установленным в муниципальных образованиях Правилам землепользования и застройки (ПЗЗ). По итогам планирования создаются генеральные планы территорий муниципальных поселений и схемы градостроительного зонирования. 

Если необходимы изменение ВРИ или предельных параметров строительства), то проводятся они:

  • в порядке, не допускающим существенного искажения общей градостроительной картины территории
  • с исключением опасности для людей и окружающей среды
  • при условии публичного согласования с общественностью

Классификационный перечень видов исключил отнесение ЗУ к категориям земель, установленных Земельным кодексом РФ (статья 7) и изменил привычные наименования видов использования.

 

 

Участки для индивидуального жилищного строительства (ИЖС)

 

В границы населённых пунктов объединены все земельные территории городов, посёлков и деревень. ЗУ сгруппированы по категории земель, называемой «землями населённых пунктов». Она включает участки, входящие во все территориальные зоны, установленные, в соответствии с ПЗЗ, для территории каждого поселения.

В раздел Классификатора ВРИ 2.0 «Жилая застройка» включён код 2.1 — для индивидуального жилищного строительства:

размещение жилого здания:

  • высота здания:
    • не более трёх этажей
    • не более 20 м
  • здание имеет раздельные комнаты, предназначенные для совместного проживания семей и граждан, не имеющих родства
  • все проживающие ведут совместное хозяйство и выращивание сельхозкультур
  • разделение помещений, как и здания не допускается
  • допускается:
    • строительство отдельного гаража
    • строительство отдельных хозяйственных построек

 

Участки для садоводства

 

Возведением индивидуальных жилых домов можно заниматься также и на садовых участках.

По Классификатору ВРИ 2019, разрешённый вид использования «садоводство» попадает в раздел с кодом 1. 5.

Описание вида: осуществление хозяйственной деятельности, связанной с выращиванием многолетных плодовых и ягодных культур, винограда и др.

Нельзя использовать садовые участки для коммерческой деятельности.

Допускается строительство для собственных нужд:

  • садового дома
  • жилого дома
  • хозяйственных построек и гаражей

 

Резюме

 

На участках с видами использования:

  • «для индивидуального жилищного строительства» (код 2.1)
  • «для ведения личного подсобного хозяйства (приусадебный земельный участок)» (код 2.2)
  • «садоводство» (код 1.5)

разрешено возведение индивидуальных жилых домов.

На участках с видом использования «для ИЖС» разведение и содержание сельскохозяйственных животных в перечне возможностей не присутствует. Разведением с/х животных можно заниматься на ЗУ, назначение которых связано с сельскохозяйственными целями.

Приусадебный участок ЛПХ на территории населённого пункта — это разновидность участков для личного подсобного хозяйства. Использование участков ЛПХ регулируется федеральным законом «О личном подсобном хозяйстве» (№112-ФЗ). Информация об особенностях таких участков изложена ниже.

Нормы застройки и планировки территории земельного участка:

  • для ИЖС
  • для участка ЛПХ в границах населённого пункта
  • для садоводства

указываются в градостроительном плане (ГПЗУ). Этот документ готовится отделом по архитектуре и градостроительству местного муниципалитета.

 

Участки ЛПХ

 

Для ведения личного подсобного хозяйства могут использоваться:

  • приусадебный ЗУ в границах населённого пункта, предназначенный:
    • для возведения жилого дома
    • для производства с/х продукции
    • для размещения гаража и иных вспомогательных сооружений
    • для содержания с/х животных
  • полевой ЗУ за пределами границ населённого пункта:
    • используется исключительно для производства с/х продукции
    • без права возведения зданий и строений

Участки ЛПХ вошли в 2 раздела Классификатора ВРИ:

  1. код 2.2 раздела 2.0 «Жилая застройка»
    • приусадебные участки ЛПХ (на землях населённых пунктов)
  2. код 1.16 раздела 1.0 «Сельскохозяйственное использование»
    • ведение ЛПХ на полевых участках:производство сельхозпродукции
    • без преимущественного права строительства капитальных объектов

Проанализируем ситуации с полевыми участками ЛПХ.

В законе об ЛПХ и в Классификаторе ВРИ указывается, что на полевых участках ЛПХ:

  • можно заниматься только производством сельхозпродукции
  • не допускается возведение объектов капитального строительства

Закон регламентировал максимальный размер общей площади приусадебных и полевых участков ЛПХ, которые могут находиться одновременно на праве собственности или ином праве у граждан, ведущих личное подсобное хозяйство, установлен в размере 0.5 га. По решениям местных властей, он может увеличен в 5 раз, то есть общая площадь не должна превышать 2.5 га.

Хозяйствование на участке ЛПХ — форма непредпринимательской деятельности по производству и переработке сельскохозяйственной продукции (ФЗ «О личном подсобном хозяйстве»)

Вести ЛПХ может собственник участка как самостоятельно, так и совместно с проживающими с ним членами семьи. Произведённая и переработанная продукция:

  • становится личной собственностью людей, занимающихся ведением ЛПХ
  • используется для личных потребностей
  • реализация продукции не относится к предпринимательской деятельности

К имуществу, используемому для ведения личного подсобного хозяйства, относятся:

  • приобретённый для ведения ЛПХ участок
  • жилой дом
  • производственные, бытовые и иные здания
  • строения и сооружения, в том числе теплицы
  • с/х животные
  • пчёлы и птица
  • с/х техника
  • инвентарь
  • оборудование
  • транспортные средства
  • иное имущество, принадлежащее на праве собственности или ином праве гражданам, ведущим ЛПХ

Ни новый Классификатор ВРИ, ни закон об ЛПХ не разрешают возведение жилого дома и капитальных хозяйственных построек на самом участке. 

Так как не требуется разрешительных уведомлений администрации на строительство (пункт 17 статьи 51 Градостроительного кодекса РФ):

  • гаража
  • объектов, которые не относятся к капитальным строениям (навесов и других построек)
  • строений и сооружений вспомогательного использования

то на полевом участке ЛПХ можно рассмотреть возможность размещения некапитальных объектов или возведения построек на сваях. Они не связаны тесно с землёй, а значит, не могут быть отнесены ни к капитальным объектам, ни к объектам недвижимости.

Нежилые вспомогательные постройки, навесы и сооружения, не относящиеся к объектам капитального строительства, запретительным санкциям не подлежат.

 

Исключение ВРИ КФХ, сельхозяйственное производство, сельскохозяйственное использование из Классификатора

 

Такие виды использования участков, как:

  • крестьянско-фермерское хозяйство
  • крестьянское хозяйство
  • фермерское хозяйство
  • сельскохозяйственное производство
  • сельскохозяйственное использование

новым Классификатором ВРИ исключены.

Точнее, они объединены в нём в один раздел 1.0 «Сельскохозяйственное использование» и представлены в ином формате:

  1. без категории «земли сельскохозяйственного назначения»
  2. с иными наименованиями, детализирующими хозяйственную деятельность, которую можно вести на участках

Подразделы:

  • код 1.1 – растениеводство
    • участки для с/х работ по выращиванию культур
  • код 1.2 – выращивание зерновых и иных с/х культур
    • допускается осуществление сельхозработ с использованием зерновых, бобовых, кормовых, технических, масличных, эфиромасличных и иных с/х культур
  • код 1.3 – овощеводство
    • осуществление деятельности, связанной с выращиванием бахчевых культур, картофеля, листовых, луковичных и плодовых групп
    • допускается строительство теплиц
  • код 1.4 – выращивание тонизирующих, лекарственных, цветочных культур
    • участки для выращивания чая, лекарственных и декоративно-цветочных культур
  • код 1.5 – садоводство
    • участки для выращивания садово-ягодных растений, винограда, прочих многолетних культур
  • код 1.6 – выращивание льна и конопли
    • участки предназначенные для сельхозработ на угодьях для выращивания льна и конопли
  • код 1.7 – животноводство
    • участки для выращивания продукции для животноводства:
      1. покос сена
      2. выпас крупного и мелкого рогатого скота
      3. разведение племенного животноводства
    • размещение зданий и прочих сооружений для животных
    • размещение зданий и сооружений для хранения и переработки с/х культур
  • код 1.8 – скотоводство
    • осуществление деятельности на сельхозугодиях, которые используются:
      1. для разведения крупного рогатого скота — овцы, коровы, лошади, олени, верблюды
      2. для сенокоса
      3. для выпаса крупного рогатого скота
      4. для производство кормов
      5. для строительства зданий и сооружений при разведении крупного рогатого скота
      6. для размещения племенных животных и разведения племенной продукции или материала
  • код 1.9 – звероводство
    • осуществление деятельности, связанные с разведением пушных зверей в неволе:
    • размещение зданий и сооружений:для разведения пушнины
    • для переработки пушнины
    • для хранения кормов
  • код 1.10 – птицеводство
    • деятельность, связанная с выращиванием и разведением всех категорий домашней птицы, в том числе и водоплавающих
    • размещение зданий, построек и прочих объектов для содержания птиц, разведения животных и птиц одновременно
    • первичная переработки птицы
    • разведение племенных животных и птиц, в том числе семенного материала
  • код 1.11 – свиноводство
    • производственные цели по содержанию свиней:
      1. размещение зданий, сооружений и свинокомплексов общего предназначения
      2. размещение зданий для переработки и хранения кормов для свиней
      3. разведение племенного материала и продукции
  • код 1.12 – пчеловодство
    • хозяйственная деятельность с использованием продукции пчеловодства:
      1. разведение пчёл и прочих полезных насекомых
      2. содержание ульев
      3. размещение сооружений и оборудования, используемых для переработки продуктов пчеловодства
  • код 1.13 – рыбоводство
    • деятельность, связанная с содержанием и разведением рыб (подтипы аквакультур)
    • строительство зданий и сооружений для поддержания жизни и разведения аквакультур
  • код 1.14 – научное обеспечение сельского хозяйства
    • проведение научной, а также селекционной работы
    • ведение сельского хозяйства (предмет научной деятельности для отбора образцов растительного и животного миров)
    • размещение коллекций для растений генетической группы
  • код 1.15 – хранение и переработка с/х продукции
    • размещение зданий и сооружений для производственных целей
    • хранение и переработка первичной с/х продукции глубокой переработки
  • код 1.17 – питомники
    • производственное выращивание подроста для деревьев и кустарников
    • промышленная реализация подроста для деревьев и кустарников
    • использование подроста для деревьев и кустарников исключительно для ведения сельского хозяйства
    • строительство сооружений для исключительного развития с/х производства
  • код 1.18 – обеспечение сельского хозяйства
    • размещение комплексов для ведения машино-транспортных и исключительно ремонтных работ
    • возведение:
      1. ангаров и гаражей
      2. амбаров
      3. конструкционных водонапорных башен
      4. станций трансформаторного типа
      5. вспомогательного технологического оборудования для поддержания технической базы сельхозмашин и оборудования
  • код 1.19 – сенокошение
    • покос травы
    • сбор и заготовка сенажа
  • код 1.20 – выпас сельскохозяйственных животных
    • участки исключительно для выпаса с/х животных

Замена наименований видов использования участков не означает, что деятельность крестьянского-фермерских хозяйств, занимающихся с/х производством, прекращена вместе с названиями ВРИ.

ФЗ «О крестьянском (фермерском) хозяйстве» (№74) не утратил своего значения. Он претерпел изменения, связанные с требованием государственной регистрации фермерского хозяйства, если оно занимается коммерческой деятельностью.

Если собственник участка для КФХ занимается фермерской деятельностью с целью получения коммерческой выгоды, то он должен зарегистрироваться в качестве индивидуального предпринимателя, а группа лиц, ведущая КФХ, –как юридическое лицо.

Введение Классификатора ВРИ 2019 упростило возможность выбора конкретной деятельности, возможно, даже сочетающей несколько вариантов.

Разрешённое использование земельных участков, установленное до дня утверждения Классификатора ВРИ, признаётся действительным вне зависимости от его соответствия Классификатору (пункт 11 статьи 34 ФЗ 171).

Впечатление от нового Классификатора ВРИ омрачает ситуация, связанная с невозможностью возведения строений, приспособленных под жильё, на участках, ВРИ которых попадают в раздел 1.0 «Сельскохозяйственное использование».

В частности, ранее допустимое строительство дома фермера, занимающегося, например, разведением птицы или кролиководством (а, в принципе, мало ли какой разрешённой законом деятельностью), становится невозможным.

Приходится «изыскивать» различные варианты хотя бы для временного обустройства:

называть в документах строение, планируемое под жильё, нежилым:

  • административно-бытовым или бытовым зданием
  • складом
  • административно-складским зданием
  • теплицей, если её организовать, к примеру, на мансарде

понимая, что с пропиской в таком строении ничего не получится.

Возник дисбаланс интересов:

  1. государства, стремящегося решить сразу 3 глобальные задачи:
    • обеспечить максимальную защиту сельхозземель
    • сформировать стабильный продовольственный рынок страны
    • снизить остроту жилищной проблемы
  2. собственников участков, производящих сельхозпродукцию для продовольственного рынка, пусть даже для личного потребления

Частным сельхозпроизводителям удобнее находиться на самом участке. Им необходимо построить на нём жилой дом, постоянно заботится о птице, о животных, занимаясь попутно выращиванием овощей и фруктов.

То ли дело у фермеров на Чукотке, Ямале, Сибири, Дальнем Востоке и Крайнем Севере, постоянно перевозящим свои чумы и яранги вслед за оленями, перегоняемыми на новые пастбища :))

Можно, конечно, предположить, что, по сложившейся традиции, ожидания собственников фермерских участков когда-нибудь оправдаются. До этого многим из них придётся:

  1. искать возможности, заложенные градостроительными регламентами
  2. пытаться уточнить возможность изменения ВРИ своих участков на те виды использования, что допускают строительство жилья

В немалой части ситуаций придётся пребывать в ожидании, когда, как обещано законодателями, к 2020 году будут откорректированы ПЗЗ муниципалитетов, а установленные по ним виды разрешённых использований участков будут приведены в соответствие с Классификатором ВРИ 2019.

 

Полезная информация

 

  • Что такое обременение земельного участка можно узнать здесь
  • Земельный налог для физических лиц с 2020 года – здесь
  • Что можно строить на участках для осуществления крестьянского (фермерского) хозяйства (КФХ) — читать здесь
  • С условиями оформления в собственность захваченной земли можно ознакомиться здесь
  • Как используются и застраиваются участки в охранных зонах объектов культурного наследия, можно узнать здесь
  • Узнать о новом Классификаторе ВРИ – 2019 можно здесь
  • Чем интересна «лесная амнистия» для собственников участков – читайте здесь
  • С признаками капитальных и некапитальных (временных) объектов можно ознакомиться здесь
  • С расчётом налогов на объекты недвижимости по новым правилам 2019 года можно ознакомиться здесь
  • Ознакомиться с тем, чем грозит ненадлежащее использование земельных участков, можно ознакомиться здесь
  • Упрощённый порядок возведения/реконструкции жилых домов на участках ИЖС, ЛПХ, а также садовых и дачных участках — 2018 – с ним можно ознакомиться здесь
  • С представлением о градостроительном регламенте и его значении для застройки участков можно ознакомиться здесь
  • С особенностями перевода сельхозугодий в иные земли можно ознакомиться здесь
  • С правилами сноса самовольных построек по новому закону-2018 можно ознакомиться здесь.
  • Как рассчитать НДФЛ при продаже недвижимости, можно узнать здесь
  • ФЗ «О ведении гражданами садоводства и огородничества», с особенностями которого можно ознакомиться здесь
  • Ознакомиться с различными особенностями изменения территориальной зоны земельного участка можно здесь

Виды разрешенного использования земельных участков

Категория и вид разрешенного использования должны быть учтены при покупке земельного участка. Узнать данные можно из документов, выданных на землю, либо в Росреестре.

СодержаниеПоказать

Виды

Есть несколько видов разрешенного использования (ВРИ) земли, они должны учитываться при покупке участка. Это не категория земли, не нужно путать эти два определения. Также покупатель должен знать об ответственности за нецелевое использование, а также об особенностях перевода земли из одного вида в другой.

Если обратиться к законодательству, то станет понятно, что все земли в России разделены на категории. Об этом, а также о видах разрешенного использования, сказано в статье 7 Земельного кодекса и в статье 37 Градостроительного кодекса. Вместе с тем, разграничение не означает, что участки, которые входят в одну из зон, можно использовать исключительно по первоначальному назначению.

Если рассмотреть подробнее категории земель, то станет ясно, что не все они однородны по своему составу. В составе категории могут быть виды и подвиды.

Законодательство допускает, что участок может быть использован не по целевому назначению, но только в пределах категории, к которой он прикреплен.

Например, допустимо на сельскохозяйственных землях возводить дачные дома.

Как виды соотносятся с категориями?

Все зависит от категории земель и разрешенного вида использования. Строительство ведется не на всех участках.

В ряде случаев оно полностью запрещено, в других случаях ограничено, либо разрешено.

Допустимо возводить постройки только на сельскохозяйственных землях и землях поселений.

Вся информация содержится в классификаторе, он был утвержден приказом № 540, который выпустило Минэкономразвития 01.09.2014. В нем указаны виды разрешенного использования.

Например, земли, предназначенные для нужд сельского хозяйства, застраивают, основываясь на статусе разрешенного использования. В некоторых случаях строительство полностью запрещено. Можно возводить постройки только на землях:

  1. Индивидуального жилищного (ИЖС), дачного и гаражного строительства.
  2. Предназначенных для огородничества, садоводства.
  3. Ведения подсобного хозяйства и организации дач.

Если участок выделен для ИЖС, то он может находиться в населенном пункте и за его пределами. Практически никаких ограничений на строительство нет, но размеры будущего дома следует согласовать с инстанциями.

При дачном партнерстве ограничений на размер участка и дома нет. А вот садовые участки имеют ограничения. Изменить вид использования земли в пределах категории можно, но процедура сложная. Экономически это маловыгодно, поэтому стоит сразу приобретать землю с нужными характеристиками.

Раньше вид использования устанавливал муниципалитет, опираясь на застройку и правила использования земли, принятые в районе. Это создавало неопределенность. Теперь виды использования едины по всей России.

Они перечислены в классификаторе. ВРИ определяются в зависимости от функционального предназначения земли.

Ознакомившись с классификатором, собственник участка будет точно знать о том, что можно делать с участком, какие постройки допустимо возводить. В документе дано описание каждого ВРИ и перечислены перечни объектов.

Классификатор устанавливает стандарт. В нем содержится перечень ВРИ, их описание и кодовое обозначение.

Всего выделено 12 разделов (групп), а также подразделов (подгрупп). Каждому разделу присвоен код. Это специальное цифровое обозначение, которое соответствует наиболее распространенным типам зон.

Зная код, по классификатору можно быстро узнать о целевом назначении участках и о ВРИ.

Например, группа «Жилые застройки». Перечень содержит 7 видов с 2.1 по 2.7. Нужно понимать, что код разрешенного использования отличается от наименования категории.

Как сделать корректировку ВРИ?

Классификатор пригодится тем владельцам участков, которые планируют изменить ВРИ. Они смогут понять, можно ли вообще это сделать или нет. В некоторых случаях можно изменить ВРИ на условно-разрешенный.

ВРИ участка можно узнать, оформив выписку из ЕГРН. Этот параметр устанавливают, учитывая целевое назначение.

Все виды использования земли подразделяются на следующие:

Условно-разрешенный необходимо согласовывать с комиссией, которая занимается вопросами землепользования и застройки. Основной ВРИ можно заменить на условно-разрешенный только в некоторых случаях, если между ними не будет серьезного противопоставления. Процедура описана в Градостроительном кодексе.

Владелец участка может подать ходатайство в муниципалитет. Чиновники проводят публичные слушания, в ходе которых заинтересованные стороны могут высказать свое мнение о смене ВРИ.

По результатам слушаний готовится заключение, которое является основанием для предоставления разрешения на смену вида. Если будет вынесен отказ, то собственник узнает причины такого решения.

Бумага, подтверждающая положительное решение, должна быть отправлена в Росреестр. На ее основании будут внесены изменения в кадастр недвижимости и ЕГРН.

Как объединить земельные участки с разными ВРИ?

Если планируется объединить несколько участков, имеющих разные ВРИ, то их следует перевести в одну категорию. Кроме того, по результатам процедуры перевода они должны иметь один ВРИ.

Важно сделать расчеты. Новый участок, образованный в результате слияния, должен быть не больше предельно-допустимого размера, установленного местным законодательством.

Объединить можно участки, находящиеся в одном населенном пункте и территориальной зоне (ЗК, статья 11.9).

Если земельные владения находятся в частной собственности, процедура следующая:

  1. Нужно убедиться, что категории и ВРИ одинаковые.
  2. Пригласить кадастрового инженера. Процедура межевания.
  3. Подготовка пакета документов. Оплата государственной пошлины.
  4. Передача всех бумаг в Росреестр.

Росреест проведет обработку документов за 10 дней, в МФЦ – за 12. Когда процедура оформления будет завершена, собственник земли получит на руки выписку из ЕГРН.

Заключение

Если требуется изменить вид разрешенного использования земли, собственник должен подготовить документы и направить соответствующее обращение в муниципалитет. Планируя объединение земель, нужно обращать внимание на категорию и ВРИ. Они должны быть одинаковыми.

С общей структурой классификатора видов разрешенного использования земель можете ознакомиться по ссылке.

Не нашли ответа на свой вопрос? Звоните на телефон горячей линии 8 (800) 350-34-85. Это бесплатно.

Юрист. Практика в сфере недвижимости, тудового права, семейного права, защите прав потребителей

Как узнать назначение земельного участка по кадастровому номеру?

Найти выгодную по цене и месторасположению землю достаточно просто. Но будет ли законная возможность построиться на ней? Об этом скажет покупателю лишь такой параметр, как вид разрешенного использования земельного участка. Это тот вариант деятельности, для которой предназначен конкретный участок.

Виды использования зависят от категории земель и территориального зонирования. Так, в городах вряд ли будет разрешено пасти скот, а во чистом поле — строить магазин.

СодержаниеПоказать

Законы о разрешенном использовании земель

Вопрос о ВРИ разбирается в 37 статье Градостроительного Кодекса. Подробные же списки существующих вариантов разрешенного использования можно найти в Классификаторе ВРИ. Он начал свое действие с конца 2014 года и был дополнен в 2015-м. Помимо перечисления, Классификатор содержит описание каждого конкретного ВРИ и его кодовое обозначение.

Знать ВРИ земельного участка необходимо еще до его приобретения. Далеко не на всех землях можно построить дом и выращивать овощи. Нецелевое же использование земли служит государству поводом для ее изъятия.

Помимо ограничений по использованию земли, ВРИ непосредственно влияет на кадастровую стоимость и величину земельного налога. Сельхозземли без права строительства потребуют меньшего размера выплат в казну. Самые «дорогие» участки — это земля под ИЖС.

В случае когда известен кадастровый номер интересующего вас участка, информацию о разрешенном на нем виде деятельности можно получить в интернете.

Плата за сервитут на земельный участок определяется на договорной основе между владельцем земли и лицом, которому требуется сервитут.

Что такое вынос границ земельного участка в натуре и как он проводится? Мы рассказали об этом здесь.

Право пожизненного наследуемого владения земельного участка сегодня отменено. Что это такое и как действовало данное право, читайте в нашей статье.

Первый способ: получение сведений онлайн

Сайт Росреестра позволяет часть сведений из ЕГРН получить бесплатно и моментально. Для этого необходимо лишь несколько раз кликнуть мышкой.

Шаг 1. Пройдите по соответствующей ссылке из раздела «Электронные услуги и сервисы», она прямиком выведет вас на нужную страницу.

Шаг 2. Введите в первое (верхнее) окошко формы известный вам кадастровый номер. Больше ничего заполнять не требуется.

Шаг 3. Далее достаточно просто нажать кнопку «Сформировать запрос». Результат будет выглядеть примерно так:

Шаг 4. Нажимаете на адрес объекта и получаете имеющуюся на участок информацию. Искомые сведения будут ждать вас в строке «Разрешенное использование».

Второй способ: по кадастровой карте

Публичная карта по кадастру также предоставляет возможность увидеть, для чего земельный участок предназначен.

Шаг 1. Найдите в верхнем левом углу карты вертикальное меню и нажмите на самый верхний квадратик с изображением лупы.

Шаг 2. Убедитесь, что в выпадающем списке указано слово «Участки». Как правило, это сделано по умолчанию.

Шаг 3. В свободном поле начните впечатывать кадастровый номер. Система тут же начнет давать подсказки.

Шаг 4. После клика на одну из подсказок требуемая информация появится на экране.

Преимущество второго способа — возможность одновременно с получением сведений увидеть и сам участок. Он начинает высвечивается желтым. Искать эту землю на карте вручную уже не придется.

Узнав наименование разрешенной на земле деятельности, можно воспользоваться Классификатором ВРИ ЗУ для более детального ознакомления.

Не нашли ответа на свой вопрос? Звоните на телефон горячей линии 8 (800) 350-34-85. Это бесплатно.

Юрист. Практика в сфере недвижимости, тудового права, семейного права, защите прав потребителей

Классификатор видов разрешенного использования земельных участков 2020

Земельные вопросы, сделки с недвижимостью всегда характеризовались как значимые действия, выполняемые с учетом множества нюансов. Любые мероприятия в отношении данной собственности требуют соответствия регламентам, указанным в ЗК и ГК РФ. Закон требует от владельцев участков и иной недвижимости обязательной постановки на учет по кадастру с предварительным прохождением оценочной экспертизы, получения плана земли и установления ВРИ. В рамках реализации программы по вводу кадастрового учета был усовершенствован и внедрен новый Классификатор видов разрешенного использования (сокращенно – ВРИ).

Значение Классификатора ВРИ

Владельцы земельных наделов знают, что каждый участок может быть использован только в рамках той деятельности, которая указана в целевом назначении. Указанное правило определено согласно ст.42 ЗК РФ. Классификатор ВРИ, принятый Минэкономразвития (МЭР) 1.09.2014г., устанавливает коды, присваиваемые наделам в зависимости от их предназначения.

Позднее, осенью 2015 г., были введены в действие некоторые новые поправки Министерства, разъясняющие, каким образом можно использовать конкретные территории и наделы, со ссылкой на ПЗЗ, действующих в каждом конкретном регионе. При отсутствии утвержденных правил порядок определяется самостоятельно. Кроме того, от ВРИ зависит кадастровая стоимость надела и возведенного на нем строения.

Каждому участку, территории, зоне присваивается свой код, определяющий порядок землепользования.

Основная классификация предусматривает деление территорий на группы, в зависимости от их предполагаемого использования:

  • сельхоздеятельность;
  • возведение жилых объектов;
  • возведение объектов капстроительства, используемых под соцнужды;
  • строительство объектов для торговой, банковской, коммерческой деятельности;
  • территории для спортивных занятий, походов;
  • расположение недвижимого имущества, используемого в добыче ископаемых, переработке ресурсов;
  • пути сообщения, организация грузоперевозки, пассажирского транспорта;
  • организация объектов охраны и безопасности государства, правопорядка, обеспечение деятельности вооруженных сил;
  • исследование ресурсов, памятников истории, курортных объектов;
  • деятельность, связанная с лесными ресурсами, древесно-заготовительными работами, насаждением лесных массивов;
  • расположение объектов гидротехники;
  • ведение особой внехозяйственной деятельности.

Внутри каждой из вышеуказанных групп есть свои подразделы, которые сопровождаются детальным описанием. Содержание Классификатора настолько прозрачное, что любой собственник надела в состоянии самостоятельно определить, какой код ВРИ соответствует его участку, и правильно ли он был определен ранее.

Если будет выявлено расхождение, землевладелец обращается в судебные органы за пересмотром и внесением изменений в документы.

Приказ, утверждающий данный Классификатор, был принят Минэкономразвития под номером 540 в сентябре 2014 года. В настоящее время действует последняя редакция, утвержденная 30 сентября 2015 г.

Понятие «разрешенного использования»

Отсутствие четкой формулировки термина не мешает данному термину, в российском законодательстве есть ссылки на его применение. Так, в п.2 ст.7 ЗК указано, что порядок реализации права распоряжения землей устанавливается с учетом категории соотнесения, а также, каково разрешенное использование надела согласно зонированию территорий.

ЗК России определяет ВРИ как характеристику объекта, предопределяющую правовой режим эксплуатации, со ссылкой на территориальное зонирование.

В ФЗ «О земельном кадастре» территориальное зонирование определяется как разделение территории на части, имеющие определенные характеристики по режиму использования.

При установлении границ той или иной зоны руководствуются ЗК РФ, градостроительными законами, лесным, водным, природоохранным законодательствами, принятыми на федеральном и местном уровнях.

Классификатор включает исчерпывающий список видов использования с подробными комментариями относительно допустимого вида деятельности в пределах определенного надела. С помощью Классификатора готовят планы развития, устанавливаются кадастровые цены, назначается определенная ставка земельного налога.

Особенности структуры Классификатора

В документе помимо указания обобщенных видов деятельности на конкретном участке, приводятся уточненная информация, как именно используется земля. В каждом пункте действует по несколько подпунктов. Например, земли сельхозназначения подразделяются на: растениеводство (1.1), выращивание зерновых (1.2), выращивание овощей (1.3), выращивание лекарственных трав, цветочных культур (1.4), ведение садоводства (1.5) и т.д.

Особенностью документа стало добавление в примечания возможного возведения линейных объектов, инженерных сооружений, объектов защиты. Единственное исключение – железная и автомобильная дорога рассматриваются отдельно.

Таким образом, при строительстве линии связи или протягивании водопровода иной инженерной коммуникации, согласно действующим положениям закона, не потребуется присвоение дополнительных вспомогательных кодов для использования земли.

Использование земель согласно ПЗЗ и Классификатора

Государство регулирует правила использования земель, обязывая местные органы соотносить положения Правил землепользования и застройки с действующим Классификатором. Об этом говорится в законе № 171-ФЗ, принятом в 23.06.2014.

Органы власти каждого субъекта Федерации обязаны к 2020 году внести изменения в ПЗЗ. Новые положения ПЗЗ должны позволить ясно устанавливать вид использования, который допустим для того или иного участка, не вступая в противоречие с действующим Классификатором.

В настоящее время сохраняются разночтения при установлении вида использования земель, что затрудняет осуществление деятельности в соответствии с законом.

Пока органы власти субъектов РФ только приступили к подготовке изменений, владельцы земельных наделов основываются на следующих положениях:

  1. Вид использования, закрепленный до вступления в силу Классификатора, то есть до марта 2015 года, считается действующим и согласованным, невзирая на возможные расхождения с Классификатором.
  2. Владелец участка, обладающий правами распоряжения землей, может обратиться в соответствующий госорган с письменным прошением установить соответствие ВРИ Классификатору. Уполномоченные должностные лица должны рассмотреть заявление и сообщить правообладателю свое решение относительно возможности установить соответствие. В дальнейшем, данное решение станет основанием для изменения записи о ВРИ в кадастре недвижимости.

Если изменение вида использования произошло до принятия ПЗЗ, решение принималось местными властями после прохождения публичных слушаний.

С января 2012 года вступили в силу ПЗЗ, что на практике затруднило процесс изменения вида использования. На данный промежуток времени в законодательстве нет никаких нормативных актов, разъясняющих процедуру урегулирования вопроса.

Тем не менее, актуальность вопроса сохраняется. Это, например, земельные угодья, которым присвоены ВРИ как «фермерское хозяйство», и у которых желают изменить вид использования на «садоводство» или «дачное строительство». Как правило, подобные участки уже зарегистрированы в виде частной собственности с внесением записи о госрегистрации и поставлены на кадастровый учет.

Данные ситуации вынуждают рассматривать каждую ситуацию по изменению ВРИ по отдельности, исходя из той практики, которая складывается в различных субъектах Федерации по-своему.\s]\s*)+

  • 214001000000 / Сельскохозяйственное использование
  • 214001001000 / Растениеводство
  • 214001001001 / Выращивание зерновых и иных сельскохозяйственных культур
  • 214001001002 / Овощеводство
  • 214001001003 / Выращивание тонизирующих, лекарственных, цветочных культур
  • 214001001004 / Садоводство
  • 214001001005 / Выращивание льна и конопли
  • 214001002000 / Животноводство
  • 214001002001 / Скотоводство
  • 214001002002 / Звероводство
  • 214001002003 / Птицеводство
  • 214001002004 / Свиноводство
  • 214001003000 / Пчеловодство
  • 214001004000 / Рыбоводство
  • 214001005000 / Научное обеспечение сельского хозяйства
  • 214001006000 / Хранение и переработка сельскохозяйственной продукции
  • 214001007000 / Ведение личного подсобного хозяйства на полевых участках
  • 214001008000 / Питомники
  • 214001009000 / Обеспечение сельскохозяйственного производства
  • 214002000000 / Жилая застройка
  • 214002001000 / Для индивидуального жилищного строительства
  • 214002001001 / Малоэтажная многоквартирная жилая застройка
  • 214002002000 / Для ведения личного подсобного хозяйства
  • 214002003000 / Блокированная жилая застройка
  • 214002004000 / Передвижное жилье
  • 214002005000 / Среднеэтажная жилая застройка
  • 214002006000 / Многоэтажная жилая застройка (высотная застройка)
  • 214002007000 / Обслуживание жилой застройки
  • 214002007001 / Объекты гаражного назначения
  • 214003000000 / Общественное использование объектов капитального строительства
  • 214003001000 / Коммунальное обслуживание
  • 214003002000 / Социальное обслуживание
  • 214003003000 / Бытовое обслуживание
  • 214003004000 / Здравоохранение
  • 214003004001 / Амбулаторно-поликлиническое обслуживание
  • 214003004002 / Стационарное медицинское обслуживание
  • 214003005000 / Образование и просвещение
  • 214003005001 / Дошкольное, начальное и среднее общее образование
  • 214003005002 / Среднее и высшее профессиональное образование
  • 214003006000 / Культурное развитие
  • 214003007000 / Религиозное использование
  • 214003008000 / Общественное управление
  • 214003009000 / Обеспечение научной деятельности
  • 214003009001 / Обеспечение деятельности в области гидрометеорологии и смежных с ней областях
  • 214003010000 / Ветеринарное обслуживание
  • 214003010001 / Амбулаторное ветеринарное обслуживание
  • 214003010002 / Приюты для животных
  • 214004000000 / Предпринимательство
  • 214004001000 / Деловое управление
  • 214004002000 / Объекты торговли (торговые центры, торгово-развлекательные центры (комплексы)
  • 214004003000 / Рынки
  • 214004004000 / Магазины
  • 214004005000 / Банковская и страховая деятельность
  • 214004006000 / Общественное питание
  • 214004007000 / Гостиничное обслуживание
  • 214004008000 / Развлечения
  • 214004009000 / Обслуживание автотранспорта
  • 214004009001 / Объекты придорожного сервиса
  • 214004010000 / Выставочно-ярмарочная деятельность
  • 214005000000 / Отдых (рекреация)
  • 214005001000 / Спорт
  • 214005002000 / Природно-познавательный туризм
  • 214005002001 / Туристическое обслуживание
  • 214005003000 / Охота и рыбалка
  • 214005004000 / Причалы для маломерных судов
  • 214005005000 / Поля для гольфа или конных прогулок
  • 214006000000 / Производственная деятельность
  • 214006001000 / Недропользование
  • 214006002000 / Тяжелая промышленность
  • 214006002001 / Автомобилестроительная промышленность
  • 214006003000 / Легкая промышленность
  • 214006003001 / Фармацевтическая промышленность
  • 214006004000 / Пищевая промышленность
  • 214006005000 / Нефтехимическая промышленность
  • 214006006000 / Строительная промышленность
  • 214006007000 / Энергетика
  • 214006007001 / Атомная энергетика
  • 214006008000 / Связь
  • 214006009000 / Склады
  • 214007000000 / Обеспечение космической деятельности
  • 214006011000 / Целлюлозно-бумажная промышленность
  • 214008000000 / Транспорт
  • 214008001000 / Железнодорожный транспорт
  • 214008002000 / Автомобильный транспорт
  • 214008003000 / Водный транспорт
  • 214008004000 / Воздушный транспорт
  • 214008005000 / Трубопроводный транспорт
  • 214009000000 / Обеспечение обороны и безопасности
  • 214010000000 / Обеспечение вооруженных сил
  • 214011000000 / Охрана Государственной границы Российской Федерации
  • 214012000000 / Обеспечение внутреннего правопорядка
  • 214013000000 / Обеспечение деятельности по исполнению наказаний
  • 214014000000 / Деятельность по особой охране и изучению природы
  • 214015000000 / Охрана природных территорий
  • 214016000000 / Курортная деятельность
  • 214016001000 / Санаторная деятельность
  • 214017000000 / Историко-культурная деятельность
  • 214018000000 / Использование лесов
  • 214018001000 / Заготовка древесины
  • 214018002000 / Лесные плантации
  • 214018003000 / Заготовка лесных ресурсов
  • 214018004000 / Резервные леса
  • 214019000000 / Водные объекты
  • 214020000000 / Общее пользование водными объектами
  • 214021000000 / Специальное пользование водными объектами
  • 214022000000 / Гидротехнические сооружения
  • 214023000000 / Земельные участки (территории) общего пользования
  • 214024000000 / Ритуальная деятельность
  • 214025000000 / Специальная деятельность
  • 214026000000 / Запас
  • 214027001000 / Ведение огородничества
  • 214027002000 / Ведение садоводства
  • 214027003000 / Ведение дачного хозяйства
  • 214099000000 / Сведения отсутствуют
  • Базовый тип: nonEmptyString

  • Подсказки при просмотре xml схемы:
    О — Обязательный элемент (заполнение обязательно, все остальные по необходимости)
    М — Множественный элемент (если обязательный (ОМ), то минимум используется 1 раз)
    У — Из соседних элементов нужно выбрать только один (если элемент необязательный, то можно не использовать)
    А — Xml атрибут элемента (выделен курсивом)
    Группа — объединение элементов в группе для применения условий: О или У (Обязателен, Условно-выбираемый), само название «Группа» не должна присутствовать в XML-файле
    + Также входят — элементы, которые так же входят в родительский элемент в зависимости от условий (У, О, М).

    Вы можете записать или переслать коллеге адрес выбранного узла: http://xmlblog.ru/uzly/389588/ Скопировать ссылку

    Обработка несбалансированных наборов данных классификации в Python: выбор классификатора и обучение с учетом затрат

    В этом посте мы описываем проблему несбалансированности классов в наборах данных классификации, как это влияет на обучение классификатора, а также на различные показатели оценки и некоторые способы решения этой проблемы . Мы показываем несколько примеров с кодом Python.

    Многие наборы данных имеют несбалансированное распределение классов, с множеством примеров частого отрицательного и несколькими примерами положительного класса.Например, многие наборы классификационных данных имеют дело с редкими событиями:

    • Будет ли падение акций более чем на 20%?
    • У этого человека редкое заболевание?
    • Это мошенническая транзакция?

    Для многих классификаторов, если отрицательный класс имеет намного больше экземпляров, чем положительный класс (скажем, 90% или более частоты), классификатор будет хорошо работать при прогнозировании вне выборки, когда истинный класс является отрицательным классом, но плохо, когда истинный класс — это положительный класс.

    Как это повлияет на показатели точности?

    Простая подгонка стандартных показателей классификации по-разному влияет на показатели точности. Вот список некоторых из них, а также то, как они могут быть затронуты. Здесь TP = истинные положительные результаты, FN = ложные отрицательные результаты, TN = истинные отрицательные результаты, FP = ложные срабатывания.

    • Чувствительность: коэффициент истинных положительных результатов, TP / (TP + FN)
      • Обычно он будет низким, поскольку дисбаланс приведет к множеству ложноотрицательных результатов и пропуску большинства истинных положительных результатов.Например, в случае с кредитной картой, если мы применим наивную модель, мы, скорее всего, пропустим много мошеннических транзакций.
    • Специфичность: истинно отрицательный коэффициент, TN / (TN + FP)
      • Вероятно, он будет высоким, много ложноотрицательных результатов, мало ложных срабатываний или их нет. Редко бывает ошибочно классифицировать не-мошеннические транзакции как мошеннические.
    • Точность: положительное прогнозируемое значение, TP / (TP + FP)
      • Будет несколько низким, не много истинных положительных результатов, но также мало ложных срабатываний, что довольно трудно определить.
    • Отзыв (чувствительность): уже пройден
    • Оценка F1, 2TP / (2TP + FP + FN)
      • Низкое истинно положительное число, большое количество ложных отрицательных результатов, низкое количество ложных срабатываний, в целом вероятно ниже, чем «хорошее» значение
    • Точность: (TP + TN) / (TP + TN + FP + FN)
        Точность
      • может быть высокой, несмотря на проблемы с классификатором

    Главное, на что следует обратить внимание, — это чувствительность или отзывчивость, поскольку это включает истинное положительных и ложноотрицательных , последнее является основной проблемой

    Не вкладывайте слишком много средств в кривые ROC

    Для многих проблем классификации мы смотрим на кривую ROC (рабочая характеристика приемника) и AUC (область под кривая).Интуитивно это говорит нам, сколько мы «платим» за ложные срабатывания, чтобы получить истинные срабатывания. Однако для классового дисбаланса, если положительный класс является редким, ложные срабатывания не являются проблемой, а ложноотрицательные. Таким образом, при работе с несбалансированными наборами данных мы должны быть осторожны, не вкладывая слишком много средств в кривые ROC.

    Введение в сбалансированную точность

    Точность обычно рассчитывается как (TP + TN) / (TP + TN + FP + FN). Однако для несбалансированных наборов данных сбалансированная точность определяется как

    , где TP / (TP + FN) и TN / (TN + FP).Сбалансированная точность не будет иметь очень высоких значений просто из-за несбалансированности классов, и здесь это лучший показатель.

    Сравнение убытков по функции убытков

    В некоторых случаях мы можем уделять особое внимание общей потере теста / вне выборки с использованием различных методов, которые могут иметь очевидную интерпретацию, например потерянные доллары. Например, при обнаружении мошенничества с кредитными картами ложное срабатывание может иметь определенные затраты, связанные с вызовом клиента и проверкой, действительно ли он намеревался совершить эту транзакцию.С другой стороны, ложноотрицательный результат приведет к потере стоимости транзакции (при условии, что риск принимает на себя банк, а не клиент). Мы хотели бы оценить технику на основе общей суммы потерянных долларов.

    Как это влияет на два классификатора: наивный байесовский метод и логистическую регрессию

    Давайте посмотрим, как дисбаланс классов может повлиять на два классификатора: (гауссовский) наивный байесовский метод и логистическую регрессию. Чтобы упростить ситуацию, мы не будем делать выбор функций.

    Наивный Байес

    В гауссовском Наивном Байесе пусть

    будет классом для наблюдения и вектором признаков для того же наблюдения.Тогда вероятность условного класса будет

    (1)

    для сильно несбалансированных наборов данных,

    будет очень высокой для отрицательного класса и очень низкой для положительного класса. Давайте посмотрим на это на практике. Мы загрузим следующий набор данных и загрузим его https://www.kaggle.com/mlg-ulb/creditcardfraud/downloads/creditcardfraud.zip/3, а затем воспользуемся гауссовской наивной байесовской моделью. Он анализирует мошенничество с кредитными картами: из 284 807 транзакций выявлено 492 мошенничества. По соображениям конфиденциальности большинство функций, кроме времени и количества, являются просто основными компонентами исходных функций (поэтому некоторые функции по существу уже были выбраны).Сначала загружаем некоторые библиотеки и функции
    импортировать панд как pd
    из sklearn.linear_model import LogisticRegression
    из дерева импорта sklearn
    из sklearn.model_selection import train_test_split
    импортировать numpy как np
    из sklearn.metrics импортировать confusion_matrix
    из sklearn.ensemble импортировать RandomForestClassifier
    из sklearn.naive_bayes импортировать GaussianNB
     

    Затем мы настраиваем данные обучения и тестирования с разделением 70/30. Обратите внимание: если бы мы делали это для реальной проблемы, мы также хотели бы использовать данные проверки.Однако, поскольку это просто иллюстративный пример, мы его пропускаем.

    df_credit = pd.read_csv ('кредитная карта.csv')
    
    col_names = df_credit.columns
    feature_cols = col_names [: - 1]
    df_negative = df_credit [df_credit [col_names [-1]] == 0]
    df_positive = df_credit [df_credit [col_names [-1]] == 1]
    X = df_credit [feature_cols]
    y = df_credit [col_names [-1]]
    
    X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = 0,3, random_state = 0)
    
    print (1.np.sum (y_train) / len (y_train))
    печать (1.np.sum (y_test) / len (y_test))
     
    0.00173050299954
    0,00172044520909
     

    Мы видим, что положительный класс (мошеннические транзакции) имеет предельную вероятность 0,17% как при обучении, так и при тестировании. Давайте теперь подберем гауссовский наивный байесовский метод и посмотрим на априорные значения класса, которые должны быть такими же, как предельные вероятности поезда.

    gnb = GaussianNB ()
    gnb.fit (X_train, y_train)
    gnb.class_prior_
     
    массив ([0,9982695, 0,0017305])
     

    Теперь давайте сделаем прогнозы на тестовой выборке и оценим их точность и чувствительность

    y_pred_nb = гнб.предсказать (X_test)
    def display_summary (true, pred):
        tn, fp, fn, tp = confusion_matrix (true, pred) .ravel ()
        print ('матрица путаницы')
        print (np.array ([[tp, fp], [fn, tn]]))
        print ('чувствительность% f', 1. * tp / (tp + fn))
        print ('специфичность% f', 1. * tn / (tn + fp))
        print ('точность% f', 1. * (tp + tn) / (tp + tn + fp + fn))
        print ('сбалансированная точность составляет%', 1./2*(1.*tp/(tp+fn)+1.*tn/(tn+fp)))
    
    print ('Гауссов NB')
    display_summary (y_test, y_pred_nb)
     

    Наши результаты следующие

    Гауссовский NB
    матрица путаницы
    [[95 543]
     [52 84753]]
    ('чувствительность% f', 0.6462585034013606)
    ('специфичность% f', 0.9936339335959482)
    ('точность% f', 0.9930362932013155)
    ('сбалансированная точность составляет%', 0,8199462184986543)
     

    Наша матрица неточностей имеет следующую структуру:

    истинно положительный ложноположительный
    ложноотрицательный истинно отрицательный

    Как мы видим, чувствительность довольно низкая: у нас большое число ложных отрицательных результатов относительно истинных положительных результатов. Сбалансированная точность тоже невысока.

    Логистическая регрессия

    В логистической регрессии мы полагаем следующую модель:

    (2)

    , где

    , функция связи, является функцией логита и. Дисбаланс класса по отношению к классу приведет к большой отрицательной величине. Посмотрим, что происходит на практике.
    logreg = LogisticRegression ()
    logreg.fit (X_train, y_train)
    y_pred_logistic = logreg.predict (X_test)
    logreg.intercept_
    print ('Логистическая регрессия')
    display_summary (y_test, y_pred_logistic)
     
    массив ([- 3.29981971])
    Логистическая регрессия
    матрица путаницы
    [[77 11]
     [70 85285]]
    ('чувствительность% f', 0,5238095238095238)
    ('специфичность% f', 0,9998710373288313)
    ('точность% f', 0,99

    995786665) ('сбалансированная точность составляет%', 0,7618402805691775)

    При перехвате

    , когда все функции зафиксированы на, вероятность a равна. Однако мы не знаем, как распределяются функции, поэтому это не очень полезная информация. Что мы видим из оценки, так это то, что чувствительность еще ниже при 0.52, как и сбалансированная точность 0,76. Ясно, что мы не должны наивно использовать логистическую регрессию в качестве нашей окончательной модели.

    Другое: случайный лес

    Мы также можем попробовать случайный лес.

    clf_random = RandomForestClassifier (n_estimators = 100, max_depth = 2, random_state = 0)
    clf_random = clf_random.fit (X_train, y_train)
    y_pred_rf = clf_random.predict (X_test)
    print ('Случайный лес')
    display_summary (y_test, y_pred_rf)
     
    Случайный лес
    матрица путаницы
    [[79 13]
     [68 85283]]
    ('чувствительность% f', 0.5374149659863946)
    ('специфичность% f', 0,9998475895704371)
    ('точность% f', 0,99

    995786665) ('сбалансированная точность составляет%', 0,7686312777784159)

    Это довольно низкая производительность: примерно такая же, как у логистической регрессии.

    Метод 1: Используйте классификатор, устойчивый к дисбалансу классов

    Самый простой способ решить проблему дисбаланса классов — использовать классификатор, который в некоторой степени устойчив к дисбалансу классов. Наиболее очевидным является дерево решений. Если редкий класс лежит в определенной области пространства признаков или, по крайней мере, обычно так и есть, то большинство или все редкие классы будут находиться в одном узле дерева решений.

    Давайте построим дерево решений и посмотрим на показатели точности.

    clf = tree.DecisionTreeClassifier ()
    clf = clf.fit (X_train, y_train)
    y_pred_tree = clf.predict (X_test)
    print ('Дерево решений')
    display_summary (y_test, y_pred_tree)
     
    Древо решений
    матрица путаницы
    [[108 28]
     [39 85268]]
    ('чувствительность% f', 0,7346938775510204)
    ('специфичность% f', 0,9996717313824799)
    ('точность% f', 0,9992158515033414)
    ('сбалансированная точность составляет%', 0,8671828044667502)
     

    Чувствительность сильно выросла! Сбалансированная точность тоже есть.Чувствительность составила 0,52 и 0,65 для логистической регрессии и наивного Байеса соответственно, а теперь составляет 0,73. Сбалансированная точность составляла 0,76 и 0,82, а теперь 0,87.

    Метод 2: изменение целевой функции

    Мы можем изменить целевую функцию, чтобы учесть, что стоимость ложноположительного и ложноотрицательного результата может не совпадать, а стоимость обоих может варьироваться в зависимости от деталей пример. Очевидный пример этого — болезнь: стоимость ложноположительного результата может заключаться в стоимости дополнительных лабораторных анализов, в то время как стоимость ложноотрицательного результата может заключаться в том, что болезнь усугубляется и становится необходимым очень дорогое лечение.

    В примере с мошенничеством с кредитными картами, который мы упоминали, стоимость ложного срабатывания может быть стоимостью дальнейшего обследования (аналогично заболеваниям), а стоимость ложноотрицательного результата — это сумма транзакции. Мы можем изменить нашу целевую функцию, чтобы отразить это. Например, стандартная функция потерь логистической регрессии — это отрицательная логарифмическая вероятность

    (3)

    , где

    находится под параметрами.

    Однако, если мы говорим, что с каждым наблюдением связаны некоторые истинно положительные

    , истинно отрицательные, ложноположительные и ложно отрицательные затраты, мы можем использовать следующую целевую функцию

    (4)

    , которая учитывает фактические финансовые затраты связаны с разными сценариями.Подробнее см. (Https://pdfs.semanticscholar.org/e133/e196ad6186557c447e8a986fdd670f5d987d.pdf).

    Применение пакета COSTCLA

    Пакет Python costcla может соответствовать зависимой от стоимости логистической регрессии и деревьям решений (а также нескольким другим моделям). Мы загрузим из него несколько функций для начала с

    из costcla.metrics import cost_loss, saved_score
    из costcla.models import CostSensitiveLogisticRegression, CostSensitiveDecisionTreeClassifier
     

    Затем мы устанавливаем стоимость ложных и истинных положительных результатов как стоимость расследования.Мы установим эти два на

    . Далее, мы устанавливаем стоимость ложных негативов равной сумме транзакции, а стоимость истинных негативов — равной.
    cost_mat_train = np.zeros ((len (y_train), 4))
    # ложные срабатывания стоят 5
    cost_mat_train [:, 0] = 5
    # ложно-отрицательные значения стоят суммы транзакции
    cost_mat_train [:, 1] = X_train ['Сумма']
    # Истинный позитив тоже стоит 5
    cost_mat_train [:, 2] = 5
    
    cost_mat_test = np.zeros ((len (y_test), 4))
    cost_mat_test [:, 0] = 5
    cost_mat_test [:, 1] = X_test ['Сумма']
    cost_mat_test [:, 2] = 5
     

    Затем мы подбираем чувствительную к стоимости логистическую регрессию и дерево решений, чувствительное к стоимости.

    f = CostSensitiveLogisticRegression ()
    f.fit (np.array (X_train), np.array (y_train), cost_mat_train)
    y_pred_logistic_cslr = f.predict (X_test)
    
    g = CostSensitiveRandomForestClassifier ()
    g.fit (np.array (X_train), np.array (y_train), cost_mat_train)
    y_pred_rf_cslr = g.predict (np.array (X_test))
    
    h = CostSensitiveDecisionTreeClassifier ()
    h.fit (np.array (X_train), np.array (y_train), cost_mat_train)
    y_pred_tree_cslr = h.predict (np.array (X_test))
     

    Затем мы можем сравнить производительность по потерям, зависящим от стоимости, между этими классификаторами и наивными невзвешенными версиями.

    print ('наивный: логистическая регрессия')
    print (cost_loss (y_test, y_pred_logistic, cost_mat_test))
    print ('наивный: случайный лес')
    print (cost_loss (y_test, y_pred_rf, cost_mat_test))
    print ('наивный: дерево решений')
    print (cost_loss (y_test, y_pred_tree, cost_mat_test))
    print ('логистика: обучение с учетом затрат')
    print (cost_loss (y_test, y_pred_logistic_cslr, cost_mat_test))
    print ('случайный лес: экономичное обучение')
    print (cost_loss (y_test, y_pred_rf_cslr, cost_mat_test))
    print ('дерево решений: обучение с учетом затрат')
    print (cost_loss (y_test, y_pred_tree_cslr, cost_mat_test))
     
    наивный: логистическая регрессия
    12798.5
    наивный: случайный лес
    10727,92
    наивный: дерево решений
    8517.279999999999
    логистика: экономичное обучение
    14558.420000000002
    случайный лес: экономичное обучение
    7806,55
    дерево решений: экономичное обучение
    7833,9
     

    Мы видим, что как для случайного леса, так и для деревьев решений наивная модель имеет более высокие потери, в то время как для логистической регрессии, как ни странно, чувствительное к стоимости обучение на самом деле работает немного хуже. Кроме того, это соответствует нашему более раннему выводу о том, что среди наивных методов дерево решений несколько устойчиво к дисбалансу классов.

    Дополнительные методы

    Существует ряд дополнительных методов: большинство из них включает либо передискретизацию класса меньшинства, либо недостаточную выборку класса большинства. Мы можем обсудить это в будущем.

    Заключение

    В этом посте мы обсудили, как справиться с дисбалансом в классе, включая два подхода: один — это просто выбор классификатора, а второй — обучение с учетом затрат. Каждый из них (обычно единственным исключением было обучение с учетом затрат для логистической регрессии) улучшал оценку используемых нами показателей оценки.

    Лежание против лжи (Ложь против лжи) — учись легко

    В чем разница между lay и lie ?

    Вы, , лежите, , а вы, , кладете что-то. Lie не требует прямого объекта. Lay требует прямого объекта. То же правило применяется к , лежащему и лежащему (не лежащему — остерегайтесь орфографии). Прошедшее время lay — это lay , но будьте осторожны с прошедшим временем lie — есть два варианта.Мы поговорим о них позже.

    Вот совет: Хотите, чтобы ваш текст всегда выглядел великолепно? Grammarly может спасти вас от орфографических ошибок, грамматических и пунктуационных ошибок и других проблем с написанием на всех ваших любимых веб-сайтах.

    Когда использовать Lay

    Укладывать означает устанавливать (или иным образом помещать) что-либо в положение покоя. Вот несколько примеров того, как положить в предложение.

    Как использовать ложь

    Ложь — это неправда.Однако людям трудно отличить глагольную форму lie от lay . Глагол лгать означает говорить неправду. Вот пример лжи в предложении:

    Если бы сказать неправду было единственным значением ложь , правильно использовать эти два слова было бы не так сложно. Тем не менее, лежать также может означать откидывание или отдых в горизонтальном положении. Обратите внимание на этот пример:

    Как запомнить разницу между Лей и ложью

    (PLAce) и (RECLIne)

    Эта мнемоника должна помочь вам вспомнить, что lay , начинающееся с букв L-A, имеет длинный звук A, как и его определение: помещать.С другой стороны, ложь , которая начинается с букв L-I, имеет длинный звук, похожий на свое определение: откидываться.

    Как мне использовать «Ложь» против «Лжи»?

    Знание значений этих слов не означает, что вы обязательно знаете, как использовать lay и lie . Опять же, вот несколько правил, которые вам помогут. В настоящем времени вы часто используете прямой объект с lay . Однако ложь не может принимать прямой объект. Вернитесь к примерам еще раз, чтобы увидеть эти правила в действии.

    Вам нужно знать еще кое-что. Когда вы говорите о полулежах, прошедшее время lie — это lay ! Вот пример.

    Вчера он лежал спать в десять часов. Сегодня он не ляжет до полуночи. [/ Example]

    Прокладка Vs. Лежащий

    Остерегайтесь орфографии! Настоящее причастие лжи не лжи . I становится Y: , лежащим . Вот мнемоника с веб-сайта Primility, которая поможет вам отличить , лежащие и , лежащие на расстоянии :

    «Если вы говорите неправду, это ложь, а не ложь; и если вы говорите неправду, вы лжете, а не лжете.”

    Прошедшее время ложь (например, сказать неправду) ложь . Как видите, прошедшее время lie — это lay , но прошедшее время lay — это lay , что является рецептом путаницы! Чтобы запомнить, что lay (в отличие от lain ) является прошедшим временем lay , просто запомните эту фразу:

    Используйте D, когда есть прямой объект. Поскольку вам нужен прямой объект только с lay, вы будете знать, что используется прошедшее время.

    Примеры

    Помогли ли вам эти примеры понять разницу между ложью и ложью? Если вы освоили эту часто путающую пару, попробуйте свои силы в лузовых против проигрышных и титулованных против титулованных.

    Классификация один против всех с использованием логистической регрессии

    Ранее мы говорили о том, как построить бинарный классификатор, реализовав нашу собственную модель логистической регрессии на Python. В этом посте мы собираемся развить существующую модель и превратить ее в мультиклассовый классификатор, используя подход, называемый классификацией «один против всех».
    Классификация «один против всех»

    Прежде всего, позвольте мне вкратце объяснить идею классификации «один против всех». Скажем, у нас есть проблема классификации и есть $ N $ различных классов. В этом случае нам придется обучать мультиклассовый классификатор вместо двоичного.

    Классификация «один против всех» — это метод, который включает обучение $ N $ различных двоичных классификаторов, каждый из которых предназначен для распознавания определенного класса. Затем эти $ N $ классификаторы совместно используются для классификации нескольких классов, как показано ниже:

    Из предыдущего поста мы уже знаем, как обучить бинарный классификатор с помощью логистической регрессии.Поэтому единственное, что нам нужно сделать сейчас, это обучить $ N $ бинарных классификаторов вместо одного. Вот и все.

    Задача и набор данных

    Мы собираемся использовать этот подход «один против всех» для решения задачи классификации нескольких классов из курса машинного обучения, разработанного Эндрю Нг. Цель этой задачи — определить цифры от 0 до 9, просмотрев рисунки размером 20×20 пикселей.

    Здесь количество классов $ N $ равно 10 — количеству различных цифр.Мы собираемся рассматривать каждый пиксель как отдельную функцию, что добавляет до 400 функций на изображение. Вот несколько примеров из нашей обучающей выборки из 5000 изображений:

    Данные обучения хранятся в файле с именем digits.mat. Причина того, что это файл .mat , заключается в том, что эта проблема изначально связана с назначением Matlab. Ничего страшного, так как довольно легко импортировать файл .mat в Python, используя функцию loadmat из scipy .io модуль. Вот как это сделать:

     1 
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
     import numpy as np 
    import scipy.io as sio
    import scipy.optimize
    import scipy.optimize data = sio.loadmat ("digits.mat")
    x = data ['X'] # внутри файла матрица функций помечена символом 'X'
    y = np.squeeze (data ['y']) # вектор целевой переменной помечен буквой y внутри файла
    np.place (y, y == 10, 0) # заменить метку 10 на 0
    numExamples = x.shape [0] # 5000 примеров
    numFeatures = x.shape [1] # 400 features
    numLabels = 10

    1.9. Наивный байесовский метод — документация scikit-learn 0.19.1

    Наивные методы Байеса представляют собой набор алгоритмов контролируемого обучения основанный на применении теоремы Байеса с «наивным» предположением о независимости между каждой парой функций. Учитывая переменную класса и зависимый вектор признаков, Теорема Байеса утверждает следующее соотношение:

    Используя наивное предположение о независимости,

    для всех, эта связь упрощается до

    Поскольку на входе задано постоянное значение, мы можем использовать следующее правило классификации:

    , и мы можем использовать оценку Maximum A Posteriori (MAP) для оценки и ; первое — это относительная частота занятий в обучающем наборе.

    Различные наивные байесовские классификаторы различаются главным образом допущениями, которые они сделать в отношении распространения.

    Несмотря на их явно чрезмерно упрощенные предположения, наивный байесовский классификаторы хорошо зарекомендовали себя во многих реальных ситуациях. классификация документов и фильтрация спама. Они требуют небольшого количества обучающих данных для оценки необходимых параметров. (Для теоретических Причины, по которым наивный байесовский метод работает хорошо, и для каких типов данных он работает, см. ссылки ниже.)

    Наивные Байесовские ученики и классификаторы могут быть чрезвычайно быстрыми по сравнению с другими сложные методы. Разделение условных распределений признаков класса означает, что каждый распределение можно независимо оценить как одномерное распределение. Это, в свою очередь, помогает облегчить проблемы, связанные с проклятием размерность.

    С другой стороны, хотя наивный Байес известен как приличный классификатор, известно, что это плохая оценка, поэтому вероятность выходит из pred_proba не следует воспринимать слишком серьезно.

    1.9.1. Гауссовский наивный байесовский

    GaussianNB реализует алгоритм Gaussian Naive Bayes для классификация. Предполагается, что вероятность появления признаков гауссова:

    Параметры и оцениваются с использованием максимального правдоподобия.

     >>> из наборов данных импорта sklearn
    >>> iris = datasets.load_iris ()
    >>> from sklearn.naive_bayes импортировать GaussianNB
    >>> gnb = GaussianNB ()
    >>> y_pred = gnb.подходят (iris.data, iris.target) .predict (iris.data)
    >>> print ("Количество неправильно обозначенных точек из общего количества% d точек:% d"
    ...% (iris.data.shape [0], (iris.target! = y_pred) .sum ()))
    Количество неправильно маркированных точек из 150 баллов: 6
     

    1.9.3. Бернулли Наивный Байес

    BernoulliNB реализует наивное байесовское обучение и классификацию алгоритмы для данных, которые распределяются согласно многомерному Бернулли раздачи; т.е. может быть несколько функций, но предполагается, что каждая из них быть двоичной (Бернулли, логической) переменной.Следовательно, этот класс требует, чтобы образцы были представлены как двоичные. векторы признаков; при передаче любых других данных экземпляр BernoulliNB может преобразовать свой ввод в двоичную форму (в зависимости от параметра binarize ).

    Решающее правило для наивного Байеса Бернулли основано на

    , который отличается от правила полиномиального NB в том, что он явно наказывает неприбытие функции это показатель класса, где полиномиальный вариант просто игнорирует не встречающуюся особенность.

    В случае классификации текста векторы встречаемости слов (а не слова count векторов) можно использовать для обучения и использования этого классификатора. БернуллиNB может работать лучше с некоторыми наборами данных, особенно с более короткими документами. Желательно оценить обе модели, если позволяет время.

    1.9.4. Нестандартный пример наивной байесовской модели

    Наивные байесовские модели могут использоваться для решения крупномасштабных задач классификации для которых полный обучающий набор может не поместиться в памяти.Чтобы справиться с этим делом, Полиномиальный NB , BernoulliNB и GaussianNB предоставить метод partial_fit , который можно использовать постепенно, как это делается с другими классификаторами, как показано в Внеосновная классификация текстовых документов. Все наивный байесовский классификаторы поддерживают взвешивание выборки.

    В отличие от метода fit , первый вызов partial_fit должен быть передал список всех ожидаемых меток классов.

    Для обзора доступных стратегий в scikit-learn см. Также внепрофильная учебная документация.

    Примечание

    Вызов метода partial_fit в наивных байесовских моделях вводит некоторые вычислительные накладные расходы. Рекомендуется использовать такие размеры блоков данных, как насколько это возможно, насколько позволяет доступная оперативная память.

    Важные показатели оценки для классификаторов машинного обучения

    Оценка производительности модели машинного обучения является важным шагом в конвейере прогнозного моделирования. Когда модель готова, ее необходимо оценить, чтобы установить ее правильность.Создать модель легко, но создать полезную модель сложно. Оценка полезности модели машинного обучения — это двухэтапный процесс. Во-первых, модель оценивается на предмет ее статистической точности, то есть на предмет того, верны ли статистические допущения, работает ли модель превосходно, а производительность сохраняется для других неизвестных наборов данных. Этот шаг выполняется с использованием нескольких показателей оценки. Во-вторых, модель оценивается, чтобы увидеть, работает ли она в соответствии с бизнес-требованиями и действительно ли пользователи извлекают из нее какие-то идеи или полезные прогнозы.

    В этой статье мы познакомим вас с некоторыми из широко используемых метрик оценки, используемых для оценки модели классификации.

    1. Матрица неточностей: Матрица неточностей — это основной метод, используемый для проверки классификатора. Большинство показателей качества и точности модели основаны на значениях матрицы неточностей. Эта матрица представляет собой таблицу, содержащую информацию о фактических и прогнозируемых значениях для классификатора. Обычно это похоже на рисунок ниже для двоичного классификатора.

    Данные в матрице неточностей имеют следующее значение:

    1. «a» — количество положительных предсказаний класса, которые были правильно идентифицированы

    2. «b» — количество неверных прогнозов для фактических положительных случаев

    3. «c» — количество неверных прогнозов для отрицательных случаев

    4. «d» — количество предсказаний отрицательного класса, которые были правильно идентифицированы

    Точность = (a + d) / a + b + c + d

    Точность = a / a + c

    Отзыв = a / a + b

    Коэффициент ошибочной классификации = (c + b) / (a ​​+ b + c + d)

    Специфичность = d / b + d

    • Кривая ROC (рабочая характеристика приемника): Кривая ROC используется для суммирования производительности классификатора по всем возможным пороговым значениям.График для кривой ROC построен с чувствительностью / истинно положительным показателем (TPR) по оси y и (1 — специфичность) / ложноположительным показателем (FPR) по оси x для всех возможных точек отсечки (пороговых значений). .

    • AUC (площадь под кривой): AUC — это площадь под кривой ROC. Если классификатор отличный, чувствительность увеличится, а площадь под кривой будет близка к 1. Если классификатор эквивалентен случайному угадыванию, чувствительность будет линейно увеличиваться с увеличением числа ложных срабатываний (1 — чувствительность).В этом случае AUC будет около 0,5. Как показывает опыт, чем лучше показатель AUC, тем лучше модель.

    • Подъем: Подъем помогает измерить предельное улучшение предсказательной способности модели по сравнению со средним откликом. Например, для маркетинговой кампании средний уровень отклика составляет 5%, но модель определяет сегменты с 10% откликом. Тогда рост этого сегмента равен 2 (10% / 5%).

    • Сбалансированная точность: когда набор данных несбалансирован, точность сама по себе не может быть хорошим показателем для оценки модели.Модель, построенная на несбалансированных данных, смещена в сторону наиболее часто встречающегося класса. Сбалансированная точность — это мера, рассчитанная на основе средней точности, полученной в любом классе.

    Точность балансировки = 0,5 * ((a / (a ​​+ b)) + (d / (c + d))

    Оценка F1 = 2 * PR / (P + R)

    Некоторые части этой статьи взяты из моей книги Data Science with Oracle Data Miner и Oracle R Enterprise. Вы можете попробовать мою книгу, чтобы узнать больше об алгоритмах машинного обучения, методах предварительной обработки данных и многом другом.

    Чтобы получить больше информации о машинном обучении и прогнозной аналитике, вы можете бесплатно прочитать новое руководство DZone по искусственному интеллекту !!

    Классификация с использованием наивного байесовского примера

    Следующий пример иллюстрирует наивный байесовский метод классификации XLMiner. На ленте XLMiner на вкладке Применение модели щелкните Справка — Примеры , затем Примеры прогнозирования / анализа данных , чтобы открыть Flying_Fitness.xlsx пример набора данных. Часть набора данных отображается ниже.

    Во-первых, разделите данные на обучающие и проверочные наборы, используя стандартные значения по умолчанию для разделения данных: 60% данных, случайно распределенных для обучающего набора, и 40% данных, случайным образом распределяются для проверочного набора. Для получения дополнительных сведений о разделении набора данных см. Раздел «Раздел интеллектуального анализа данных».

    На ленте XLMiner на вкладке Data Mining выберите Classify — Partition — Standard Partition , чтобы открыть диалоговое окно Standard Data Partition .

    Выберите ячейку на листе Data_Partition , затем на ленте XLMiner на вкладке Data Mining выберите Classify — Naïve Bayes , чтобы открыть диалоговое окно Naïve Bayes — Step 1 of 3 .

    Из списка Selected Variables выберите Var2, Var3, Var4, Var5 и Var6, а в поле Output Variable выберите TestRest / Var1. Статистика # Classes автоматически обновляется до значения 2, когда выбрана выходная переменная, что указывает на то, что выходная переменная содержит два класса, 0 и 1.

    Выберите значение, которое будет индикатором успеха, щелкнув стрелку вниз рядом с полем «Указать класс успеха» (для диаграммы подъема). В этом примере мы будем использовать значение по умолчанию 1, указывающее, что значение 1 будет указано как успешное.

    Для Укажите начальную вероятность отсечения для успеха введите значение от 0 до 1. Если вероятность успеха (вероятность выходной переменной = 1) меньше этого значения, для значения класса будет введен 0, в противном случае — 1. будет введено в качестве значения класса.В этом примере мы оставим значение по умолчанию 0,5.

    Нажмите Далее , чтобы перейти к диалоговому окну Naives Bayes — Шаг 2 из 3 .

    Выберите В соответствии с относительными вхождениями в обучающих данных для вычисления вероятностей предшествующего класса. Когда этот параметр выбран, XLMiner вычисляет вероятности класса на основе данных обучения. Для первого класса XLMiner вычисляет вероятность, используя количество 0 записей / общее количество баллов.Для второго класса XLMiner вычисляет вероятность, используя количество 1 записи / общее количество баллов.

    Если выбрано Использовать равные априорные вероятности, XLMiner использует вероятность 0,5 в обоих классах. Укажите вероятности, выбрав Пользовательские предыдущие вероятности.

    XLMiner V2015 обеспечивает возможность разделения набора данных с помощью метода классификации или прогнозирования путем выбора параметров разделения. Если этот параметр выбран, XLMiner разделяет набор данных (в соответствии с параметрами разделения) непосредственно перед запуском метода прогнозирования.Если для набора данных уже произошло разбиение, этот параметр отключен. Дополнительные сведения о секционировании см. В разделе «Раздел интеллектуального анализа данных».

    Нажмите Далее , чтобы перейти к диалоговому окну Шаг 3 из 3 .

    Под обоими данными оценки обучения и данными проверки оценки выберите Подробный отчет. Сводный отчет и диаграммы роста как для данных обучения оценки, так и для данных проверки оценки выбраны по умолчанию. Полные выходные результаты получены для этого метода классификации.

    Параметры в разделе Оценка тестовых данных отключены, поскольку набор тестовых данных не существует. Дополнительные сведения о создании набора тестовых данных см. В разделе «Раздел интеллектуального анализа данных».

    Щелкните Finish , чтобы сгенерировать выходные данные.

    Щелкните рабочий лист NNB_Output , чтобы открыть навигатор вывода. Щелкните любую ссылку, чтобы перейти к выбранной теме.

    В навигаторе вывода щелкните поезд . Ссылка Score — Summary для просмотра сводных отчетов .В этом примере мы классифицируем клиентов в зависимости от того, покупают они книгу о Флоренции, Италия или нет (покупают / не покупают). Наша выходная переменная равна 1, если книга куплена, и 0, если нет. Класс успеха (класс интереса) — это класс покупки.

    Матрица ошибок используется для оценки эффективности метода классификации. Эта матрица суммирует записи, которые были классифицированы правильно, и те, которые не были классифицированы.

    TP расшифровывается как True Positive.Это количество случаев, классифицированных как принадлежащие к классу Success, которые на самом деле были членами класса Success. FP означает ложное срабатывание. Это количество случаев, которые были классифицированы как принадлежащие классу Failure, когда они фактически были членами класса Success. FN расшифровывается как False Negative. Эти случаи были отнесены к классу Success, но на самом деле были членами группы Failure. TN расшифровывается как True Negative. Эти случаи были правильно отнесены к группе отказов.

    В обучающем наборе мы видим, что 13 записей, принадлежащих классу Success, были правильно назначены этому классу. Семь записей, принадлежащих классу Failure, были правильно назначены этому же классу, а четыре записи, принадлежащие классу Failure, были неправильно назначены классу Success. Общее количество неправильно классифицированных записей составило четыре, что привело к ошибке, равной 16,67%. В наборе проверки шесть записей были правильно отнесены к классу «Успех», а один случай был неправильно отнесен к классу «Отказ».Семь случаев были правильно отнесены к классу Failure, а две записи были неправильно классифицированы как принадлежащие классу Success, когда они были членами класса Failure. Это привело к общей ошибке классификации 18,75%.

    Точность — это пропорция истинных положительных результатов, деленная на истинные положительные + ложные положительные. Чувствительность (или истинно положительный показатель) измеряет процент фактических положительных результатов, которые правильно определены как положительные (т. Е. Доля людей с раком, которые правильно определены как больные раком).Специфичность (также называемая истинно отрицательным показателем) измеряет процент неудач, правильно определенных как неудачи (т. Е. Долю людей, не имеющих рака, которые классифицируются как не болеющие раком). Оценка F-1 измеряет точность метода классификации и колеблется от 1 (идеальная классификация) до 0.

    Точность = TP / (TP + FP)

    Чувствительность или истинно положительный коэффициент (TPR) = TP / (TP + FN)

    Специфичность (SPC) или истинно отрицательная скорость = TN / (FP + TN)

    F1 = 2 * ((Точность * отзыв) / (точность + отзыв))

    Щелкните поезд .Оценка — Подробно рупий. и Действителен. Оценка — Подробно рупий. ссылки для просмотра таблиц Классификация данных обучения и Классификация данных проверки . При прогнозировании класса выходной переменной XLMiner вычисляет условную вероятность того, что переменная может быть отнесена к определенному классу. В этом примере это классы 0 и 1. Для каждой записи в данных проверки вычисляются условные вероятности для класса -0 и для класса -1.XLMiner присваивает класс выходной переменной, для которой условная вероятность является наибольшей. Неправильно классифицированные записи выделяются.

    В таблице Классификации проверочных данных обратите внимание на две ошибки Н / Д. Они появляются, когда наивный байесовский классификатор не может классифицировать определенные шаблоны, потому что они не были замечены в обучающем наборе. Строки таких разделов с невидимыми значениями считаются выбросами. Если присутствуют «Н / П», диаграммы роста для этого набора данных недоступны.Обратите внимание на выделенные записи, которые указывают на неправильную классификацию.

    В навигаторе вывода щелкните ссылку Предыдущие вероятности класса , чтобы просмотреть таблицу Предыдущие вероятности класса на листе NNB_Output . Как показано, 54,17% записей обучающего набора принадлежали к классу 0, а 45,83% записей обучающего набора принадлежали к классу 1.

    В навигаторе вывода щелкните ссылку Условные вероятности , чтобы отобразить таблицу ниже.В этой таблице показаны вероятности для каждого случая по переменной. Например, для Var2 21% записей, где Var2 = 0, были присвоены классу 0, 57% записей, где Var2 = 1 были присвоены классу 0, и 21% записей, где Var2 = 2 были назначены классу 0.

    В навигаторе выходных данных щелкните ссылку Training Lift Chart , чтобы перейти к диаграмме роста данных по обучению и кривой ROC.

    Диаграммы подъема

    состоят из кривой подъема и базовой линии.После построения модели с использованием обучающего набора, модель используется для оценки обучающего набора и проверочного набора (если таковой существует). Затем набор (ы) данных сортируется с использованием прогнозируемого значения выходной переменной. После сортировки фактические значения результатов выходной переменной суммируются, и строится кривая роста как количество наблюдений (ось x) в сравнении с накопленным значением (ось y). Базовая линия (красная линия, соединяющая начало координат с конечной точкой синей линии) строится как количество наблюдений в сравнении со средним значением фактических значений выходной переменной, умноженным на количество наблюдений.Чем больше площадь между кривой подъемной силы и базовой линией, тем лучше модель.

    На приведенной ниже диаграмме подъема (обучающий набор) красная линия, исходящая из исходной точки и соединяющаяся с точкой (23, 11), является контрольной линией, которая представляет ожидаемое количество прогнозов CAT MEDV, если XLMiner просто выбрал случайные случаи (т. Е. , модель не использовалась). Эта контрольная линия представляет собой критерий, с которым можно сравнивать характеристики модели. Из приведенной ниже диаграммы роста мы можем сделать вывод, что если бы мы отнесли 20 случаев к классу 1, было бы включено около 11 единиц.Если бы 20 случаев были выбраны случайным образом, мы могли бы ожидать около 9,5 с.

    Кривая децильного подъема строится как децильное число в сравнении с кумулятивным фактическим значением выходной переменной, деленным на среднее значение выходной переменной дециля. Столбцы на этой диаграмме показывают фактор, по которому модель MLR превосходит случайное присвоение, по одному децилю за раз. См. График проверки ниже. В первом дециле, принимая во внимание самые дорогие прогнозируемые цены на жилье в наборе данных, прогностическая эффективность модели более чем в два раза выше, чем при присвоении случайного предсказанного значения.

    Кривые

    ROC отображают производительность бинарных классификаторов путем построения графика истинно положительных результатов (TPR) по сравнению с ложноположительными показателями (FPR), когда значение отсечки растет от 0 до 1. Чем ближе кривая находится к верхнему левому углу графика ( чем меньше площадь над кривой), тем лучше производительность модели.

    На кривой ROC мы можем сравнить производительность классификатора со случайным предположением, которое будет лежать в точке вдоль диагональной линии (красная линия), идущей от начала координат (0, 0) до точки (1, 1 ).(Эту линию иногда называют линией отсутствия различения.) Все, что находится слева от этой линии, означает лучшее предсказание, а все, что справа, означает худшее предсказание. Наилучшая возможная эффективность прогнозирования будет обозначена точкой в ​​верхнем левом углу графика на пересечении осей x и y. Этот момент иногда называют идеальной классификацией. Площадь под кривой (AUC) — это пространство на графике, которое появляется под кривой ROC. (Это значение отображается в верхней части графика ROC.) AUC — это значение от 0 до 1. Чем ближе значение AUC к 1, тем лучше производительность модели классификации. В то время как AUC очень близка к 1 в обучающих наборах, AUC для проверочного набора — нет. Это может указывать на то, что модель была переоборудована, а это означает, что модель слишком близко подходила к обучающему набору; модель отражает случайный шум в данных, а не общие характеристики.

    Для получения информации о рабочем листе NNB_Stored см. Раздел «Оценка новых данных».

    Оставить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *