Analysis of the Mass Value Change for Housing at the Urban Scale Using Machine Learning Algorithms

Abstract

Real estate valuation refers to the neutral and objective evaluation of spatial and structural features in the urban area. There have been many studies on the scientific description of this process. In the studies in the literature, traditional, statistical, multi-criteria decision analysis and artificial intelligence methods are the methods frequently applied in recent years. Today, artificial intelligence methods analyze and correlate the structural and spatial features of many real estates in the real estate valuation process and can perform value estimates for real estates. Therefore, artificial intelligence methods are an important tool in the management of the real estate valuation process. In this study, linear regression from statistical analysis techniques and Artificial Neural Networks, Regression Trees Support Vector Regression and Gaussian Process Regression algorithms from machine learning methods were used for 1200 real estates with data on their structural criteria in Niğde, Turkey. As a result, based on the model trained by the artificial neural networks method were found to provide the highest accuracy (R2: %84.92, RMSE: 0.0608) of prediction performance. In the study was conducted the mass appraisal in real estate at the city and a high-accuracy value estimation was obtained by comparing the criteria for 1200 real estate.

Keywords

• Real Estate Valuation
• Linear Regression
• Artificial Neural Networks
• Regression Trees
• Support Vector Regression
• Gaussian Process Regression

Kent Ölçeğinde Konutlara İlişkin Toplu Değer Değişiminin Makine Öğrenim Algoritmaları ile Analizi

Abstract

Taşınmaz değerlemesi kentsel alanda konumsal ve yapısal özelliklerin tarafsız ve objektif olarak değerlendirilmesini ifade etmektedir. Bu sürecin bilimsel tanımlanmasına ilişkin pek çok çalışma yapılmıştır. Literatürdeki çalışmalarda geleneksel, istatistiksel, çok kriterli karar analizleri ve yapay zekâ yöntemleri son yıllarda sıklıkla uygulanan yöntemlerdir. Günümüzde yapay zekâ yöntemleri taşınmaz değerleme sürecindeki çok sayıda taşınmaza ilişkin yapısal ve konumsal özellikleri analiz ederek ilişkilendirmekte ve taşınmazlara yönelik değer tahminleri gerçekleştirebilmektedir. Bu nedenle yapay zekâ yöntemleri taşınmaz değerleme sürecinin yönetilmesinde önemli bir araç konumundadır. Bu çalışmada, Türkiye’nin Niğde kentinde yapısal kriterlerine ilişkin verileri bulunan 1200 taşınmazın istatistiksel analiz tekniklerinden Lineer Regresyon ve Makine Öğrenimi yöntemlerinden Yapay Sinir Ağları, Regresyon Ağaçları, Destek Vektör Regresyon ve Gaussian Process Regresyon algoritmaları kullanılmıştır. Sonuçta yapay sinir ağları yöntemi ile eğitilen modele göre elde edilen sonuçların tahmin performansının en yüksek doğruluk (R2: %84.92, RMSE: 0.0608) sağladığı tespit edilmiştir. Çalışma, literatürden farklı olarak kent bütününde toplu olarak taşınmazların değerlemesiyle gerçekleştirilmiş ve değerlemede 1200 taşınmaza ilişkin kriterler karşılaştırılarak yüksek doğrulukla değer tahmini elde edilmiştir.

Keywords

• Taşınmaz Değerlemesi
• Lineer Regresyon
• Yapay Sinir Ağları
• Regresyon Ağaçları
• Destek Vektör Regresyon
• Gauss Süreç Regresyonu

References

1. Abidoye, R.B. & Chan, A.P.C, (2017). Artificial Neural Network in Property Valuation: Application Framework and Research Trend. Property Management, 35(5), 554-571.
2. Alfaro-Navarro, J-L., Cano, E.L., Alfaro-Cortes, E., Garcia, N., Gamez, M. & Larraz, B. (2020). A Fully Automated Adjustment of Ensemble Methods in Machine Learning for Modeling Complex Real Estate Systems. Hindawi Complexity, 5287263.
3. Andrews, D.F. (1974). A Robust Method for Multiple Linear Regression. Tecnometrics, 16(4), 523-531.
4. Aubry, M. Kräussl, R. Manso, G. & Spaenjers, C. (2019). Machine Learning, Human Experts, and the Valuation of Real Assets. CFS Working Paper Series, No. 635.
5. Baldominos, A., Blanco, I., Moreno, A.J., Iturrarte, R., Bernandez, O. & Alfonso, C. (2018). Identifying Real Estate Opportunities Using Machine Learning. Applied Sciences, 8, 2321.
6. Bogar, E. & Boğar, Z. (2017). Forecasting of 'Turkey's Sectoral CO2 Gas Emissions by Artificial Neural Networks. Academia Journal of Interdisciplinary Scientific Research, 3(2), 12–24.
7. Bozdağ, A. & Ertunç, E. (2020), CBS ve AHP Yöntemi Yardımıyla Niğde Kenti Örneğinde Taşınmaz Değerleme. Geomatik Dergisi, 5(3), 228-240.
8. Çakır, P. & Sesli, F.A. (2013). Arsa Vasıflı Taşınmazların Değerine Etki Eden Faktörlerin ve Bu Faktörlerin Önem Sıralarının Belirlenmesi. Harita Teknolojileri Elektronik Dergisi, 5(3), 1-16.

9. Çınar, S. & Ünel, F.B. (2022). 2/B Orman Vasfını Yitirmiş Araziden Tarım Arazisine Dönüşen Taşınmazların Toplu Değerlemesi. Geomatik Dergisi, 7(2), 112-127.
10. Demir, H., Erdoğmuş, P. & Kekeçoğlu, M. (2018). Destek Vektör Makineleri, YSA, K-Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6, 47-67.
11. Demirci, M. (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akış İlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Dergisi, 10(3), 1113-1124.
12. Demirel, B., Yelek, A., Alağaş, H.M. & Eren, T. (2018). Taşınmaz Değerleme Kriterlerinin Belirlenmesi ve Kriterlerin Önem Derecelerinin Çok Ölçütlü Karar Verme Yöntemi, Sosyal Bilimler Dergisi, 8(2), 665-682.
13. Dimopoulos, T. & Bakas, N. (2019). Sensitivity Analysis of Machine Learning Models for the Mass Appraisal of Real Estate. Case Study of Residential Units in Nicosia, Cyprus. Remote Sensising, 11, 3047.
14. Durgabai, R.P.L. (2014). Feature Selection using ReliefF Algorithm. International Journal of Advanced Research in Computer and Communication Engineering, 3(10), 8215–8218.
15. Erdem, N. (2017). Türkiye için bir Taşınmaz Değerleme Sistemi Yaklaşımı. Geomatik Dergisi, 2(1), 18-39.
16. Garip, E. (2017). OECD Ülkelerindeki CO2 Emisyonunun Makine Öğrenmesi ile Tahmin Edilmesi, Yüksek Lisans Tezi, İstanbul Medeniyet Üniversitesi, Mühendislik Yönetimi ABD, İstanbul.
17. Garip, E. & Oktay, A.B. (2018). Forecasting CO2 Emission with Machine Learning Methods. International Conference on Artificial Intelligence and Data Processing (IDAP), IEEEXplore. 1-4.
18. Georgiadis, A. (2018). Real Estate Valuation Using Regression Models and Artificial Neural Networks: An Applied Study in Thessaloniki. International Journal of Real Estate and Land Planning, 1, 98-105.
19. Gunst, R.F. & Mason, R.L. (1980). Regression Analysis and its Application: A Data-oriented Approach, Florida: CRC Press.
20. Günen, M.A., Atasever, U.H. & Beşdok, E. (2020). Analyzing the Contribution of Training Algorithms on Deep Neural Networks for Hyperspectral Image Classification. Photogrammetric Engineering & Remote Sensing, 86(9), 581-588.
21. Hagan, M. & Menhaj, M. (1994). Training Feedforward Networks with the Marquardt Algorithm. IEEE Transactions on Neural Networks, 5(6), 989-993.
22. IAAO, (2010). International Association of Assessing Officers (IAOO), Standard on Ratio Studies. Kansas City, MO: International Association of Assessing Officers, [Erişim Tarihi: 23.03.2023], https://www.iaao.org/media/standards/Standard_on_Ratio_Studies.pdf
23. Iban, M.C. (2022). An Explainable Model for the Mass Appraisal of Residences: The Application of Tree-Based Machine Learning Algorithms and Interpretation of Value Determinants. Habitat International, 128, 102660.
24. Iban, M.C., (2023). Toplu Taşınmaz Değerlemede Açıklanabilir Yapay Zekâ (XAI) Tekniklerinin Kullanılabilirliği, III. Uluslararası Gayrimenkul Geliştirme ve Yönetimi Konferansı ICREDM2023, 1-4 Şubat 2023, Ankara.
25. Karaboga, D. & Ozturk, C. (2009). Neural Networks Training by Artificial Bee Colony Algorithm on Pattern Classification. Neural Network World, 19(3), 279.
26. Karaca, C. & Karacan, H. (2016). Çoklu Regresyon Metoduyla Elektrik Tüketim Talebini Etkileyen Faktörlerin İncelenmesi. Selçuk Üniversitesi, Mühendislik Fakültesi, Bilim ve Teknoloji Dergisi, 3, 182-195.
27. Karakoyun, M. & Hacıbeyoğlu, M. (2014). Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması. Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Mühendislik Bilimleri Dergisi 16(48), 30-41.
28. Kononenko, I. (1994). Estimating Attributes: Analysis and Extensions of RELIEF. European Conference on Machine Learning, Berlin, 171-182.
29. Kontrimas, V. & Verikas, A. (2011). The Mass Appraisal of the Real Estate by Computational Intelligence. Applied Soft Computing, 11(1), 443-448.
30. Kunt, F. (2014). Bulanık Mantık ve Yapay Sinir Ağları Yöntemleri Kullanılarak Konya İl Merkezi Hava Kirliliği Modellenmesi, Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Çevre Mühendisliği ABD, Konya.
31. Kurban, T. & Beşdok, E. (2009). A Comparison of RBF Neural Network Training Algorithms for Inertial Sensor Based Terrain Classification. Sensors, 9(8), 6312-6329.
32. Liu, H. (2010). On the Levenberg-Marquardt Training Method for Feed-forward Neural Networks. 6th International Conference on Natural Computation, IEEE, 1, 456-460.
33. Mahjoobi, J. & Etemad-Shaidi, A. (2008). Hindcasting of Wave Parameters Using Different Soft Computing Methods. Applied Ocean Research, 30(1), 28-36.
34. Mete, M.O. (2019). Coğrafi Bilgi Sistemleri ile İstanbul İli Nominal Taşınmaz Değer Haritasının Oluşturulması, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Geomatik Mühendisliği ABD, İstanbul.
35. Niğde Çevre Durum Raporu, (2015). Niğde İli 2014 Yılı Çevre Durum Raporu, Niğde Valiliği Çevre ve Şehircilik İl Müdürlüğü, Niğde.
36. Özkan, S. (2009). Taşınmaz Satış Fiyatına Etki Eden Faktörlerin İstatistiksel Yöntemlerle Araştırılması, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Geomatik ABD, İstanbul.
37. Öztemel, E. (2012). Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık.
38. Rasmussen, C.E. & Williams, C.K.I. (2006). Gaussian Processes for Machine Learning, Cambridge, MA: MIT press.
39. Robnik-Sikonja, M. & Kononenko, I. (1997). An Adaptation of Relief for Attribute Estimation in Regression. Machine Learning: Proceedings of the Fourteenth International Conference (ICML'97), 5, 296–304.
40. Toktaş, M. (2012). Hazine Arazileri için CBS Destekli Değer Haritalarının Üretilmesi: Afyonkarahisar Örneği, Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Jeodezi ve Fotogrametri ABD, Afyonkarahisar.
41. Torun, M.K. (2009). Taşınmaz Değer Haritalarının Coğrafi Bilgi Sistemleri ile Üretilmesi. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Geomatik Mühendisliği ABD, İstanbul.
42. Tunca, E. & Üstüntaş, T. (2019). Gayrimenkul Değerleme Modelinin Oluşturulmasında Çok Kriterli Karar Verme Yöntemlerinin Kullanılması. TMMOB 6. Coğrafi Bilgi Sistemleri Kongresi, 23-25 Ekim 2019, Ankara.
43. Urbanowicz, R.J., Meeker, M., Cava, W., La., Olson, R.S. & Moore, J.H. (2018). Relief-based Feature Selection : Introduction and Review. Journal of Biomedical Informatics, 85, 189–203.
44. Uşak, B. (2019). Konya Otogar Civarında Emlak Vergisine Esas Zemin Değerinin Tespiti, Yüksek Lisans Tezi. Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Harita Mühendisliği ABD, Konya.
45. Vapnik, V. & Cortes, C. (1995). Support-Vector Networks. Machine Learning, 20, 273-297.
46. Wang, D., & Li, V.J. (2019). Mass Appraisal Models of Real Estate in the 21st Century: A Systematic Literature Review. Sustainability, 11(24), 7006.
47. Yağmahan, G. (2019). Puanlama Yöntemiyle Taşınmaz Değerlerinin Belirlenmesi Ve Yaşam Kalitesiyle İlişkisinin Araştırılması, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Harita Mühendisliği ABD, İstanbul.
48. Yang, L., Liu, S., Tsoka, S. & Papageorgiou, L.G. (2017). A Regression Tree Approach Using Mathematical Programming. Expert Systems With Applications, 78, 347-357.
49. Yu, Y. Lu, J. Shen, D. & Chen, B. (2021). Research on Real Estate Pricing Methods Based on Data Mining and Machine Learning. Neural Computing and Applications, 33, 3925–3937.
50. Zurada, J., Levitan, A., & Guan, J. (2020). A Comparison of Regression and Artificial Intelligence Methods in A Mass Appraisal Context. Journal of Real Estate Research, 33(3), 349-388.