Gayrimenkul Piyasasında Regresyon Yöntemleri ile Veri Madenciliği

Abstract

Gelişen ve küreselleşen dünyamızda insanoğlu yerleşim ve yerleşke üzerindeki tecrübesini her geçen gün farklı metot ve modellerle geliştirmektedir. Asıl amaç ev yapmayla beraber evin düşük maliyet ve kaliteli malzeme kullanılarak daha iyi yapılmasıdır. Lakin günümüz Türkiye’sinde mühendis ve müteahhitlerin çoğu malzeme noktasında zafiyet gösterirler. Yani yapı inşasında kalitesiz veya eksik malzeme kullanarak yapıyı maliyetin altında yaparlar ve satış noktasında değerinin çok fazla üstünde satmaya çalışırlar. Bu durum emlak piyasasında çok ciddi dengesizliklere davetiye çıkarmaktadır. Konut fiyatlarını belirlemek ciddi bir emek ister. Konut fiyatlarının tespiti için birden fazla istatistik ve kara kutu yöntemler mevcuttur. Bu çalışmada Lineer Regresyon, YSA, Gradient Boosting (Gradyen Arttırıcı Regresyon), Karar Ağaçları yöntemleri kullanılmıştır. Amaç metre kare fiyatı olarak en yakın sonucu bulmaya çalışmaktır. Yapılan istatiksel çalışma ve karşılaştırma sonucunda ortalama mutlak hata değerleri küçükten büyüğe doğru Karar ağaçları 5.27, Lineer Regresyon 6.06, YSA 13.52 ve Gradient Boosting 14.84 olarak bulunmuştur. Dolayısıyla konut maliyet analizlerinde daha az hata payı için Karar ağaçları yöntemini kullanılabilir.

Keywords

• Regresyon Yöntemleri
• Veri Madenciliği
• Emlak
• Fiyat Analizi

Data Mining with Regression Methods in the Real Estate Market

Abstract

In our developing and globalizing world, human beings are improving their experience of settlements with different methods and models. The main purpose of building a house is to make it better by using low-cost and quality materials. However, in today's Turkey, most engineers and vendors tend to use low-quality materials to maximize their profit. However, they try to sell it much higher than its value. This attitude has been creating serious imbalances in the real estate market. There are several statistics and black box methods to estimate real estate prices. Among them, Linear Regression, ANN, Gradient Boosting and Decision Trees were utilized in this study. The main objective is finding the closest result for the price of a real estate in terms of its square meter. In the statistical study and comparison, the average result absolute error values were changed from smallest to largest as Decision trees 5.27, Linear Regression 6.06, ANN 13.52 and Gradient Boosting 14.84. Therefore, the Decision Trees can be used for less margin of error in construction cost analyses.

Keywords

• Regression Methods
• Data Mining
• Real Estate
• Price Analysis

References

1. Öztürk, N. and E. Fitöz, Türkiye’de konut piyasasinin belirleyicileri: ampirik bir uygulama. Uluslararası Yönetim İktisat ve İşletme Dergisi, 5(10): p. 21-46, 2009.
2. Dunham, M.H., Data mining: Introductory and advanced topics: Pearson Education India, 2006.
3. Nazem, S.M. and B. Shin, Data mining: new arsenal for strategic decision-making. Journal of Database Management (JDM), 10(1): p. 39-42, 1999.
4. Bounsaythip, C. and E. Rinta-Runsala, Overview of data mining for customer behavior modeling. VTT Information Technology Research Report, Version, 1: p. 1-53, 2001.
5. Alan, V.F.K.İ.Y. and K.V.E.F. Arsa, Araştırma Makalesi. 2020.
6. Dan, H., External factors for the monetary policy transmission mechanism. The Annals of the University of Oradea, (1): p. 435-444, 2013.
7. Ivanov, M. and I. Lovrinović, Monetary transmission mechanism and behaviour of asset prices: the case of Croatia. Review of Business Research, 8: p. 1-18, 2008.
8. Chen, N.-K., Asset price fluctuations in Taiwan: Evidence from stock and real estate prices 1973 to 1992. Journal of Asian Economics, 12(2): p. 215-232, 2001.

9. Giuliodori, M., The role of house prices in the monetary transmission mechanism across European countries. Scottish journal of political economy, 52(4): p. 519-543, 2005.
10. Taşkın, G.G.E.V.Ç., Veri madenciliğinde karar ağaçları ve bir satış analizi uygulaması. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 6(2): p. 221-239, 2005.
11. Tuna, M., T. Türk, and O. Kitapçı, Lineer regresyon ve coğrafi bilgi sistemleri yardımıyla ev fiyatlarının tahmin edilmesi: Ankara örneği. TMMOB HKMO, 15, 2015.
12. Yılmazel, Ö., A. Afşar, and S. Yılmazel, Konut fiyat tahmininde yapay sinir ağları yönteminin kullanılması. 2018.
13. Rossini, P., Artificial neural networks versus multiple regression in the valuation of residential property. Australian Land Economics Review, 3(1): p. 1-12, 1997.
14. Zurada, J.M., A.S. Levitan, and J. Guan, Non-conventional approaches to property value assessment. Journal of Applied Business Research (JABR), 2006. 22(3).
15. Lu, S., et al. A hybrid regression technique for house prices prediction. in 2017 IEEE international conference on industrial engineering and engineering management (IEEM). IEEE, 2017.
16. Bilik, M. and Ü. Aydin, Konut sahibi olma kararlarını etkileyen faktörler: Lojistik regresyon ve destek vektör makinelerinin karşılaştırılması. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (62): p. 184-199, 2019.
17. https://www.google.com/search?q=karar+a%c4%9fa%c3%a7lar%c4%b1&sca_esv=586941408&tbm=isch&source=lnms&sa=x&sqi=2&ved=2ahukewiq_uizke6caxvaaxaıhqfdbo0q_auoaxoecaqqaw&biw=1344&bih=711&dpr=1.25#imgrc=x8c_sbojphvuhm. (Erişim tarihi 30.11.2023).
18. Gujarati, D., Basic Econometrics 4th edition McGraw Hill: New York. NY, 2003.
19. https://www.google.com/search?q=lineer+regresyoan&tbm=isch&ved=caxutruukhxvbcqyq2ccegqıabaa&oq=lineer+regresyoan&gs_lcp=cgnpbwcqazokcaaqgaqqiguqqzofcaaqgaq6bggaeacqhjohcaaqgaqqgdogcaaqbraeoggıabcabbcxazolcaaqgaqqsqmqgwe6dggaeıaeeıofeledeımbogqıabadunpcwlzyjycawgacab4aıaboagıayyrkgeemc4xozgbakabaaobc2d3cy13axotaw1nwaeb&sclient=img&ei=gmnpzebsnzomlqf7gqcw&bih=711&biw=1344#imgrc=fmvftfouzd72nm. (Erişim tarihi 30.11.2023).
20. Budak, H. and S. Erpolat, Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9): p. 23-30, 2012.
21. https://www.google.com/search?q=ysa&tbm=isch&ved=2ahukewid_ow3k6caxxcwgıhhy4tdpwq2ccegqıabaa&oq=ysa&gs_lcp=cgnpbwcqazıfcaaqgaqybqgaeıaemguıabcabdıfcaaqgaqybqgaeıaemguıabcabdıfcaaqgaqybqgaeıaemguıabcabdıfcaaqgarq7azy7azg_q1oahaaeacaaw-ıadobkgedmc4ymaeaoaebqgelz3dzlxdpei1pbwfaaqe&sclient=img&ei=1cvpzd29mmkfi-gpjqew4a8&bih=711&biw=1344. (Erişim tarihi 30.11.2023).
22. Zemel, R.S. and T. Pitassi. A gradient-based boosting algorithm for regression problems. in Advances in neural information processing systems, 2001.
23. https://www.google.com/search?q=Gradyen+Artt%C4%B1r%C4%B1c%C4%B1+Regresyon&tbm=isch&ved=2ahukewikk9zvle6caxvwi_0hhwpsaekq2ccegqıabaa&oq=gradyen+artt%c4%b1r%c4%b1c%c4%b1+regresyon&gs_lcp=cgnpbwcqazokcaaqgaqqiguqqzofcaaqgarqmwzymwzgmw5oahaaeacaawıadkbkgedmc4ymaeaoaebqgelz3dzlxdpei1pbwfaaqe&sclient=img&ei=lchpzetıgdaw9u8p49idyaq&bih=711&biw=1344. (Erişim tarihi 30. 11. 2023).
24. https://archive.ics.uci.edu/dataset/477/real+estate+valuation+data+set. (Erişim tarihi 30. 11. 2023).