@article{article_1494020, title={Araç Fiyat Tahmininde Makine Öğrenmesi Algoritmalarının Karşılaştırılması ve Performans Analizi}, journal={İktisadi İdari ve Siyasal Araştırmalar Dergisi}, volume={10}, pages={454–474}, year={2025}, DOI={10.25204/iktisad.1494020}, author={Kıvrak, Oğuzhan}, keywords={Araç Fiyat Tahmini, Makine Öğrenmesi, Regresyon Modelleri, Tahmin Performansı, Veri Analizi}, abstract={Bu çalışma, araç fiyat tahmini problemine odaklanarak farklı makine öğrenmesi algoritmalarının performanslarını karşılaştırmakta ve sektöre yönelik stratejik öneriler sunulması amaçlamıştır. Lineer Regresyon, Ridge Regresyon, Lasso Regresyon, Karar Ağaçları, Rastgele Orman, Gradient Boosting, SVR, XGBoost, Multi-Layer Perceptron (MLP) ve Radyal Tabanlı Fonksiyon (RBF) modelleri Ocak 2022 ile Aralık 2023 dönemini kapsayan, araçlara ait marka, model, motor hacmi, fiyat gibi teknik özellikler ile müşteri bilgileri içeren 23.900 adet veri seti üzerinde test edilmiştir. Veri ön işleme aşamasında eksik veri doldurma, kategorik verilerin dönüştürülmesi ve aykırı değer analizi uygulanmıştır. Lasso Regresyon, %99 R² değeri ve düşük hata oranları ile en başarılı model olarak öne çıkmıştır. Rastgele Orman, Gradient Boosting ve MLP algoritmaları da %97 R² değerleri ile güçlü alternatifler arasında yer almıştır. Buna karşın, Karar Ağaçları, SVR ve XGBoost algoritmaları yüksek hata oranları ve düşük R² değerleri ile zayıf bir performans sergilemiştir. Sonuçlar, veri ön işleme süreçlerinin model başarısı üzerindeki kritik rolünü vurgulamaktadır. Makroekonomik göstergelerin modele entegrasyonu ve hiperparametre optimizasyonu tekniklerinin uygulanması, modellerin doğruluk ve genelleme kabiliyetlerini artırma potansiyeline sahiptir.}, number={27}, publisher={H. Mustafa PAKSOY}