Hiper-optimize edilmiş makine öğrenim teknikleri ile taşınmaz değerlemesi, Yozgat Kenti örneği

Yıl 2024, Cilt: 9 Sayı: 3, 299 - 312

Abdulbaki Hazer , Aslı Bozdağ , Ümit Haluk Atasever

https://doi.org/10.29128/geomatik.1454915

Öz

Toplu taşınmaz değerlemede, Makine Öğrenim Teknikleriyle gelişmiş tahmin yöntemlerinden yararlanılarak objektif, bilimsel, doğru ve hızlı sonuçlar elde edilmektedir. Bu çalışmanın amacı; küçük ölçekli kentler sınıfında yer alan Yozgat kentinde Bayes Tekniği ile Hiper-Optimize Edilmiş Makine Öğrenimi Teknikleri sayesinde değer tahminleri oluşturmaktır. Bu kapsamda Topluluk Regresyonu, Çekirdek Regresyonu, Doğrusal Regresyon, Destek Vektör Makineleri Regresyonu ve İkili Karar Ağacı Regresyonu kullanılarak 2022 ve 2023 yıllarına ait taşınmaz verileri üzerinde toplu taşınmaz değerleme gerçekleştirilmiş ve başarım metrikleri hesaplanarak karşılaştırılmıştır. Bayes Tekniği ile Hiper-Optimize edilmiş eğitim verisi sonuçlarına göre Çekirdek regresyonunda, test verisi sonuçlarına göre ise Topluluk regresyonunda en başarılı sonuçlar elde edilmiştir. Çalışma, küçük ölçekli bir kentin bütününde toplu değerleme yapılması ve büyük bir değerleme sahası içinde bölgesel eşitsizliklere rağmen konut fiyat tahmin doğruluğunun metriklere göre başarılı sonuçlar elde etmesiyle literatürden farklılaşmaktadır. Elde edilen sonuçlar, heterojen özellikler taşıyan bir değerleme alanı için Makine Öğrenimi Tekniklerinin Hiper-Optimize edilmesiyle elde edilen konut fiyat tahmin sonuçlarının belirlenmesinde başarılı bir yaklaşım olduğunu göstermektedir.

Anahtar Kelimeler

Toplu Taşınmaz Değerleme, Makine Öğrenimi Teknikleri, Hiperparametre Optimizasyonu, Bayes Tekniği

Teşekkür

Makale, Abdulbaki Hazer’in “Hiper-Optimize Edilmiş Makine Öğrenim Teknikleri İle Taşınmaz Değerlemesi, Yozgat Kenti Örneği” başlıklı tezinden üretilmiştir.

Kaynakça

• Alfaro-Navarro, J. L., Cano, E. L., Alfaro-Cortés, E., García, N., Gámez, M., ve Larraz, B., “A fully automated adjustment of ensemble methods in machine learning for modeling complex real estate systems.” Complexity, 2020, 1-12, 2020.
• Alkan, T. ve Durduran, S. S., “Turizm kentlerinde taşınmaz değerlemenin CBS ve AHP yöntemi yardımıyla incelenmesi: Alanya kenti örneği”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10 (1), 178-187, 2023.
• Aydınoğlu, A. Ç., Bovkır, R. ve Çölkesen, İ., “Toplu taşınmaz değerlemede makine öğrenme algoritmalarının kullanımı ve konumsal/konumsal olmayan özniteliklerin tahmin doğruluğuna etkilerinin karşılaştırılması.” Jeodezi ve Jeoinformasyon Dergisi, 10 (1), 63-83, 2023.
• Baldominos, A., Blanco, I., Moreno, A.J., Iturrarte, R., Bernandez, O. ve Alfonso, C., “Identifying Real Estate Opportunities Using Machine Learning”, Applied Sciences, 8, 2321, 2018.
• Baur, K., Rosenfelder, M. ve Lutz, B., “Automated real estate valuation with machine learning models using property descriptions”, Expert Systems with Applications, 213, 119147, 2023.
• Bilgilioğlu, S. S., Makine öğrenmesi teknikleri ile mekânsal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği, Aksaray Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2018.
• Bozdağ, A. ve Ertunç, E., “CBS ve AHP yöntemi yardımıyla Niğde Kenti örneğinde taşınmaz değerleme”, Geomatik, 5(3), 228-240, 2020.
• Büyük, G., ve Ünel, F. B. Comparison of modern methods using the python programming language in mass housing valuation. Advanced Land Management, 1(1), 23-31, 2021.
• Calainho, F. D., Van de Minne, A. M. ve Francke, M. K., “A Machine Learning Approach to Price Indices: Applications in Commercial Real Estate”, The Journal of Real Estate Finance and Economics, 1-30, 2022.
• Chou, JS., Fleshman, D.B. ve Truong, DN., “Comparison of machine learning models to provide preliminary forecasts of real estate prices”, J Hous and the Built Environ 37, 2079–2114, 2022.
• Çolak, E., Memişoğlu, T. ve Nihal, G. E. N. Ç., “Hazine taşınmaz satışlarının emsal satışlarla karşılaştırılması: Trabzon İli örneği”, Geomatik, 7(2), 163-173, 2022.
• Demir, H., Erdoğmuş, P. ve Kekeçoğlu, M., “Destek Vektör Makineleri, YSA, K- Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması.” Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Sayı 6, Sayfa 47-67, 2018.
• Dietterich, T. G. (2000, June). Ensemble methods in machine learning. In International workshop on multiple classifier systems (pp. 1-15). Berlin, Heidelberg: Springer Berlin Heidelberg.
• Dimopoulos, T. ve Bakas, N., “Sensitivity analysis of machine learning models for the mass appraisal of real estate Case study of residential units in Nicosia, Cyprus”, Remote sensing, 11(24), 3047, 2019.
• Emeç, Ş., ve Tekin, D., Housing Demand Forecasting with Machine Learning Methods. Erzincan University Journal of Science and Technology, 15 (Special Issue I), 36-52, 2022.
• Engindeniz, S., “Tarım arazilerinin kamulaştırılmasında gelir yöntemini uygulama esasları”, Türktarım Dergisi, 192, 53-57, 2010.
• Esen, Y. ve Tokgöz, H., “Bulanık mantık modellemesi ile taşınmaz değerlemeye farklı bir bakış”, Mühendislik Bilimleri ve Tasarım Dergisi, 9 (4), 1155-1165, 2021.
• Feurer, M., Springenberg, J., ve Hutter, F., “Initializing bayesian hyperparameter optimization via meta-learning.” In Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 29, No. 1, 2015.
• Feurer, M., ve Hutter, F., “Automated Machine Learning Methods, Systems”, Challenges Springer Series on Challenges in Machine Learning, 2019
• Grybauskas, A., Pilinkienė, V. ve Stundžienė, A., “Predictive analytics using Big Data for the real estate market during the COVID-19 pandemic”, Journal of big data, 8(1), 1- 20, 2021.
• IAAO, Standard on ratio studies. 01.01.2023 tarihinde https://www.iaao.org/media/standards/Standard_on_Ratio_Studies.pdf (30.11.2023 tarihinde erişilmiştir.) 2013.
• Iban, M. C., “Taşınmaz Mal Değeri Kestiriminde Topluluk Algoritmalarının Doğruluk Analizi”, 1. Uluslararası Yapay Zeka ve Veri Bilimi Kongresi, S-47, 2021.
• Iban, M. C., “An explainable model for the mass appraisal of residences: The application of tree-based Machine Learning algorithms and interpretation of valuedeterminants”, Habitat International, 128, 102660, 2022.
• Kaklauskas, A., Zavadskas, E. K., Lepkova, N., Raslanas, S., Dauksys, K., Vetloviene, I. ve Ubarte, I., “Sustainable construction investment, real estate development, and COVID- 19: a review of literature in the field”, Sustainability, 13(13), 7420, 2021.
• Kalliola, J., Kapočiūtė-Dzikienė, J., ve Damaševičius, R., “Neural network hyperparameter optimization for prediction of real estate prices in Helsinki.” PeerJ computer science, 7, e444, 2021.
• Karaca, C. ve Karacan, H., “Çoklu Regresyon Metoduyla Elektrik Tüketim Talebini Etkileyen Faktörlerin İncelenmesi”, Selçuk Üniversitesi Mühendislik Fakültesi, Bilim ve Teknoloji Dergisi, 3, 182-195, 2016.
• Kayalık, M., ve Polat, Z. A., “CBS destekli nominal taşınmaz değer haritasının 3 boyutlu sunumu: Berlin Eyaleti örneği”, Geomatik, 8(2), 180-191, 2023.
• Kim, H., Kwon, Y., ve Choi, Y., “Assessing the impact of public rental housing on the housing prices in proximity: based on the regional and local level of price prediction models using long short-term memory (LSTM).” Sustainability, 12(18), 7520, 2020.
• Kuhn, M., & Johnson, K. (2013). Applied predictive modeling (Vol. 26, p. 13). New York: Springer.
• Lee, C., ve Park, K. K. H., Representing uncertainty in property valuation through a bayesian deep learning approach. Real Estate Management and Valuation, 28(4), 15-23, 2020.
• Louati H., Bechikh S., Louati A., Hung C-C. ve Said LB., “Deep convolutional neural network architecture design as a bi-level optimization problem”, Neurocomputing, 2021.
• Milunovich, G., Forecasting Australia's real house price index: A comparison of time series and machine learning methods. Journal of Forecasting, 39(7), 1098-1118, 2020.
• Mete, M. O. ve Yomralioglu, T., “Implementation of serverless cloud GIS platform for land valuation”, International Journal of Digital Earth, 14:7, 836-850, 2021.
• Mora-Garcia, R.T.; Marti-Ciriquian, P.; Perez-Sanchez, R. ve Cespedes-Lopez M.F. “A comparative analysis of manhattan, euclidean and network distances. Why are network distances more useful to urban professionals?”, In Proceedings of the 18th International Multidisciplinary Scientific Geoconference SGEM 30 June–9 July 2018, 3–10, 2018.
• Mora-Garcia, R. T., Cespedes-Lopez, M. F. ve Perez-Sanchez, V. R. “Housing Price Prediction Using Machine Learning Algorithms in COVID-19 Times”, Land, 11(11), 2100, 2022.
• Ngoc, N. M., Tien, N. H. ve Anh, D. B. H., “Opportunities and challenges for real estate brokers in post Covid-19 period”, Journal of Science and Technology, 170(10), 203- 208, 2020.
• Özsubaşı, B. ve Ertaş, M. The spatial evaluation of the real estates in the Konya-Hacıkaymak Neighborhood with the analytical hierarchy process method. Advanced Land Management, 2(2), 51-59, 2022.
• Park, B. ve Bae, J.K., “Using machine learning algorithms for housing price prediction: The case of Fairfax County”, Virginia housing data. Expert Syst. Appl., 42, 2928-2934, 2014.
• Ravikumar, AS., “Real estate price prediction using machine learning, MSc research Project”, School of computing national college of Ireland, 2017.
• Savaş B., Makine öğrenme algoritmalarının konut değer tahmininde kullanımı: Ankara Gölbaşı uygulaması, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2019.
• Sevinç, A., Firma Değerini Etkileyen Unsurlar ve Nakit Akışı Metoduna İlişkin Bir Uygulama, Kadir Has Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul, 2008.
• Shawe-Taylor, J., & Cristianini, N. (2004). Kernel methods for pattern analysis. Cambridge university press.
• Steurer, M., Hill, R. J., ve Pfeifer, N., “Machine Learning Prediction Models: An Application to the Housing Market” Graz Economic Papers, 2020.
• Tabar, M. E., Başara, A. C., ve Şişman, Y., “Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması” Türkiye Arazi Yönetimi Dergisi, 3(1), 1-7, 2021.
• Tabar, M. E., ve Şişman, Y., “Bulanık mantık ile arsa değerleme modelinin oluşturulması”, Türkiye Arazi Yönetimi Dergisi, 2(1), 18-24, 2020.
• Tercan, E., ve Atasever, Ü. H., “Effectiveness of autoencoder for lake area extraction from high-resolution RGB imagery: an experimental study.” Environmental Science and Pollution Research, 28(24), 31084–31096, 2021.
• Tunca, E., ve Üstüntaş, T., “Gayrimenkul değerleme modelinin oluşturulmasında çok kriterli karar verme yöntemlerinin kullanılması”, TMMOB, 6, 23-25, 2019.
• Türkan, M., Bozdağ, A., Karkınlı, A. E., & Ulucan, A. G. (2023). Kent Ölçeğinde Konutlara İlişkin Toplu Değer Değişiminin Makine Öğrenim Algoritmaları ile Analizi. Türkiye Arazi Yönetimi Dergisi, 5(2), 66-77.
• Ulucan, A. G., (2023). “Taşınmaz Değer Piyasası Üzerinde Pandeminin Etkilerinin Analizi, Niğde Kenti”, Yüksek Lisans Tezi, Niğde Ömer Halisdemir Üniversitesi, 2023.
• Ulvi, C. ve Özkan, G., “Applicability of artificial intelligence techniques in real estate valuation and the comparison of methods”, J Geomatic, 4(2), 134–140, 2019.
• Ünel, F. B., ve Yalpir, S. Reduction of mass appraisal criteria with principal component analysis and integration to GIS. International journal of engineering and geosciences, 4(3), 94-105, 2019.
• Vapnik, V. ve Cortes, C., “Support- Vector Networks.” Machine Learning, Volume 20, pp. 273-297, 1995.
• Yağmahan, G., “Puanlama yöntemiyle taşınmaz değerlerinin belirlenmesi ve yaşam kalitesiyle ilişkisinin araştırılması”, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2019.
• Yalpir, Ş., ve Ünel, F. B. Multivariate statistical analysis application to determine factors affecting the parcel value to be used mass real estate valuation approaches. International Journal of Engineering and Geosciences, 7(1), 32-42, 2022.
• Yu, Y., Lu, J., Shen, D., ve Chen, B., “Research on real estate pricing methods based on data mining and machine learning”. Neural Computing and Applications, 33, 3925-3937, 2021
• Zulkifley, N. H., Rahman, S. A., Ubaidullah, N. H. ve İbrahim, İ. " House Price Prediction using a Machine Learning Model: A Survey of Literature", International Journal of Modern Education and Computer Science(IJMECS), 12(6), 46-54, 2020.
• Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., Mclachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z., Steinbach, M., Hand, D. J., ve Steinberg, D., “Top 10 algorithms in data mining.” Knowledge and Information Systems, 14(1), 1–37, 2008.