Comparison And Performance Analysis of Machine Learning Algorithms in Vehicle Price Prediction

Öz

This study focuses on the problem of vehicle price prediction and aims to compare the performance of various machine learning algorithms while offering strategic insights for the industry. Linear Regression, Ridge Regression, Lasso Regression, Decision Trees, Random Forest, Gradient Boosting, Support Vector Regression (SVR), XGBoost, Multi-Layer Perceptron (MLP), and Radial Basis Function (RBF) models were tested on a dataset comprising 23.900 records collected between January 2022 and December 2023. The dataset includes technical specifications of vehicles—such as brand, model, engine size, and price-as well as customer-related features. During the data preprocessing phase, missing values were imputed, categorical variables were encoded, and outlier analysis was conducted. Lasso Regression emerged as the most successful model, achieving an R² value of 0,99 and low error rates. Random Forest, Gradient Boosting, and MLP also demonstrated strong performance with R² values around 0,97. In contrast, Decision Trees, SVR, and XGBoost showed weaker results, characterized by higher error rates and lower R² values. The findings highlight the critical importance of data preprocessing in model performance. Moreover, the integration of macroeconomic indicators and the application of hyperparameter optimization techniques have the potential to further enhance model accuracy and generalizability.

Anahtar Kelimeler

• Vehicle Price Prediction
• Machine Learning
• Regression Models
• Data Analysis
• Prediction Performance

Araç Fiyat Tahmininde Makine Öğrenmesi Algoritmalarının Karşılaştırılması ve Performans Analizi

Öz

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.

Anahtar Kelimeler

• Araç Fiyat Tahmini
• Makine Öğrenmesi
• Regresyon Modelleri
• Tahmin Performansı
• Veri Analizi

Kaynakça

1. Ahmad, M., Farooq, M. A., Hussain, M. Z., Hasan, M. Z., Mustafa, M., Khalid, A. ve Javaid, A. (2024). Car price prediction using machine learning. 2024 IEEE 9th International Conference for Convergence in Technology (I2CT) içinde (s. 1-5). Pune, India. https://doi.org/10.1109/I2CT61223.2024.10544124
2. Arseven, B. ve Çınar, S. M. (2023). Dünya dışı ışınımlarla iyileştirilmiş ARIMA, ridge regresyon ve lasso regresyon yöntemlerinin saatlik ışınım tahmininde kullanılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(3), 733-742. https://doi.org/10.28948/ngumuh.1249503
3. Arslankaya, S. ve Öz, V. (2018). Time series analysis of sales quantity in an automotive company and estimation by Artificial Neural Networks. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(5), 1482-1492. https://doi.org/10.16984/saufenbilder.456518
4. Aslay, F. ve Özen, Ü. (2013). Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini. Politeknik Dergisi, 16(4). 139-145. https://dergipark.org.tr/tr/pub/politeknik/issue/33068/367992
5. Bhushan, B. ve Singh, M. ve Hage, Y. (2012). Identification and control using MLP, Elman, NARXSP and radial basis function networks: a comparative analysis. Artificial Intelligence Review, 37, 133-156. https://doi.org/10.1007/s10462-011-9223-0
6. Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
7. Breiman, L., Friedman, J., Olshen, R. A. ve Stone, C. J. (1984). Classification and regression trees. (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781315139470
8. Bridge-Nduwimana, C. B., El Ouaazizi, A., ve Benyakhlef, M. (2025). A new data imputation technique for efficient used car price forecasting. International Journal of Electrical and Computer Engineering (IJECE), 15(2), 2364-2371. http://doi.org/10.11591/ijece.v15i2.pp2364-2371

9. Chen, T. ve Guestrin, C. (2016, 13-17 Ağustos). Xgboost: A scalable tree boosting system. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining içinde (s. 785-794). San Francisco, ABD. https://doi.org/10.48550/arXiv.1603.02754
10. Dere, E. ve Kasapbaşı, M. C. (2024). İkinci el araç değerlemesinde makine öğrenme tekniklerinin uygulanması. İstanbul Ticaret Üniversitesi Teknoloji ve Uygulamalı Bilimler Dergisi, 6(2), 35-51. https://doi.org/10.56809/icujtas.1329496
11. Ecer, F. (2013). Türkiye’de 2. El otomobil fiyatlarının tahmini ve fiyat belirleyicilerinin tespiti. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 13(4), 101-112. https://dergipark.org.tr/tr/download/journal-file/20335
12. Efendigil, T. ve Eminler, Ö. E. (2017). Havacılık sektöründe talep tahminin önemi: Yolcu talebi üzerine bir tahmin modeli. Yaşar Üniversitesi E-Dergisi, 12(Tarım ve Gıda Değer Zincirlerinde Yöneylem Araştırmaları ve Endüstri Mühendisliği Özel Sayısı), 14-30. https://dergipark.org.tr/tr/pub/jyasar/issue/45368/568599
13. Eşidir, K. A., Gür, Y. E., Yoğunlu, V. ve Çubuk, M. (2022). Yapay sinir ağları (YSA) ve ARIMA modelleri ile Türkiye’de aylık sıfır km otomobil satış adetlerinin tahmin edilmesi. Pamukkale Üniversitesi İşletme Araştırmaları Dergisi, 9(2), 260-277. https://doi.org/10.47097/piar.1132101
14. Fantazzini, D. ve Toktamysova, Z. (2015). Forecasting German car sales using Google data and multivariate models. International Journal of Production Economics, 170(Part A), 97-135. https://doi.org/10.1016/j.ijpe.2015.09.010
15. Friedman, J., Hastie, T., ve Tibshirani, R. (2001). The elements of statistical learning: Data mining, Inference, and Prediction. Springer. https://tinyurl.com/4cpndh32
16. Gür, Y. E., Eşidir, K. A. ve Kaldırımcı, Ş. G. (2024). Makine öğrenimi ile binek otomobil ihracat tahmini: MLP ve RBF modeli kullanımı. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(Özel Sayı), 17-34. https://doi.org/10.33707/akuiibfd.1426338
17. Hamid, S., A. Iqbal, Z. (2004). Using neural networks for forecasting volatility of svep 500 index futures prices, Journal of Business Research, 57, 1116-1125. http://dx.doi.org/10.1016/S0148-2963(03)00043-2
18. Harsha, C. S. S., Sai, V. A., Kaif, S. M., Dinesh, G. ve Shareefunnisa, S. (2024). Prediction of Car Sales Price Trends using Ensembling Models. 2024 8th International Conference on Inventive Systems and Control (ICISC) içinde (s. 234-239). IEEE. https://doi.org/10.1109/ICISC62624.2024.00047
19. Hoerl, A. E. ve Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67. https://tinyurl.com/5h3c9eh9
20. Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N. ve Tokgöz, G. (2012). Yapay sinir ağları yöntemi ile otomobil satış tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100. https://doi.org/10.11122/ijmeb.2012.8.17.290
21. Kayakuş, M., Terzioğlu, M., Yağmur, A. ve Erdoğan, D. (2023). Türkiye’deki hafif ticari araç satışlarının makine öğrenmesi yöntemleriyle tahmin edilmesi. Gazi Mühendislik Bilimleri Dergisi, 9(4-ICAIAME 2023), 100-112. https://dergipark.org.tr/en/pub/gmbd
22. Kayapınar Kaya, S. K. ve Yıldırım, Ö. (2020). A prediction model for automobile sales in Turkey Using Deep Neural Networks. Endüstri Mühendisliği, 31(1), 57-74. https://dergipark.org.tr/tr/pub/endustrimuhendisligi
23. Kıvrak, O. (2016). Müşteri yaşam boyu değerinin yapay zekâ algoritmaları ile modellenmesi (Yayımlanmamış Doktora Tezi). Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü, Balıkesir.
24. Kurtgeri, B. (2018). Yapay sinir ağları ve makine öğrenmesi ile otomobil satış tahmininin yapılması ve zaman serileri analizi ile karşılaştırılması (Yayımlanmamış Yüksek Lisans Tezi). Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
25. Kuvvetli, Y., Dağsuyu, C. ve Oturakci, M. (2015). Türkiye'deki araç satışları için ekonomik ve çevresel faktörleri göz önüne alan yapay sinir ağı tabanlı bir tahmin yaklaşımı. Endüstri Mühendisliği, 26(3), 23-31. https://dergipark.org.tr/tr/pub/endustrimuhendisligi
26. Llopis-Albert, C., Rubio, F. ve Valero, F. (2021). Impact of digital transformation on the automotive industry. Technological Forecasting and Social Change, 162, 120343. https://doi.org/10.1016/j.techfore.2020.120343
27. Montgomery, D. C., Peck, E. A. ve Vining, G. G. (2021). Introduction to linear regression analysis. John Wiley ve Sons.
28. Ogundele, L. A., Ejidokun, A. O., Ayo, F. E. ve Taiwo, A. I. (2024). Car price prediction using artificial neural networks: A data-driven approach. Indonesian Journal on Computing, 9(3), 198-207. https://tinyurl.com/5n8fec2e Otomotiv Sanayi Derneği. (2024). Otomotiv sanayii 2023 yılı küresel değerlendirme raporu, https://tinyurl.com/29kadxe5
29. Ranstam, J. ve Cook, J. A. (2018). Lasso regression. The British Journal of Surgery, 105(10), 1348-1348). https://doi.org/10.1002/bjs.10895
30. Smola, A. J. ve Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14, 199-222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
31. T.C. Sanayi ve Teknoloji Bakanlığı. (2024, 26 Kasım). Otomotiv sektör raporu. https://www.sanayi.gov.tr/assets/pdf/planprogram/OtomotivSektorRaporu2020.pdf
32. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267-288. https://www.jstor.org/stable/2346178
33. Yan, X. ve Su, X. (2009). Linear regression analysis: Theory and computing. World Scientific. http://www.manalhelal.com/Books/geo/LinearRegressionAnalysisTheoryandComputing.pdf
34. Yang, Z. ve Zhang, C. (2020, July). Automobile sales forecast based on web search and social network data. ICEME '20: Proceedings of the 2020 11th International Conference on E-business, Management and Economics içinde (s. 37-41). https://doi.org/10.1145/3414752.3414759
35. Yurtsever, M. (2022). LSTM yöntemi ile ekonomik göstergeler kullanılarak otomobil satış tahmini. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 12(3), 1481-1492. https://doi.org/10.30783/nevsosbilen.987093