Makine Öğrenmesi Algoritmalarıyla Konut Fiyatlarının Tahmini: Giresun Örneği

Yıl 2024, Sayı: 10, 105 - 111

Mehmet Akif Kara

https://doi.org/10.52693/jsas.1571979

Öz

İnşaat sektörü son 20 yılın en önemli sermaye birikim alanları arasında yer almaktadır. Konut satışları da bu alanın önemli bir parçasıdır. Konut fiyatlarının seyrinin tahmin edilmesi hem üretici hem de tüketiciler açısından önemlidir. Makine öğrenmesi algoritmaları tahmin çalışmalarında sıklıkla kullanılmakta ve iyi performans göstermektedir. Bu çalışmada Giresun örneği üzerinde 365 veri kullanılarak konut değerleme tahmini MATLAB 2023b yazılım programı kullanılarak çözümlenmektedir. Çalışmada RMSE, MAE, R^2, MSE metrik değerleri kullanılarak makine öğrenmesi algoritmaları tahmin başarılarına göre incelenmektedir. Çalışmada konut değerlemek için kullanılan “brüt m2, net m2, bina yaşı, bulunduğu kat, toplam kat, site içinde olup olmama, asansör, ısıtma, açık ve kapalı otopark,” değişkenleri kullanılmıştır. Veriler Türkiye’de yaygın olarak kullanılan ve en çok ziyaret edilen bir e ticaret web sitesinden elde edilmiştir. Çalışma sonucunda Gaussian Process Regression algoritmasının daha iyi bir performans gösterdiği ortaya koyulmuştur. Bu algoritmanın bu veri seti üzerinde R^2 değeri %89 olarak çok yüksek bulunmuştur.

Anahtar Kelimeler

makine öğrenmesi, konut değerleme, tahmin

Prediction of Housing Prices Using Machine Learning Algorithms: The Case of Giresun

Öz

The construction sector has been one of the most significant areas for capital accumulation over the past 20 years. Housing sales are also an important part of this sector. Predicting the trend of housing prices is crucial for both producers and consumers. Machine learning algorithms are frequently used in predictive studies and have shown good performance. This study focuses on housing valuation predictions using 365 data points from Giresun, analyzed with MATLAB 2023b software. The study examines the predictive success of machine learning algorithms using metrics such as RMSE, MAE, R², and MSE. The variables used for housing valuation include "gross m², net m², building age, floor location, total floors, whether it's within a site, presence of an elevator, heating, open and closed parking." The data was obtained from a popular e-commerce website widely used in Turkey. The results indicate that the Gaussian Process Regression algorithm performs better, achieving a high R² value of 89% on this dataset.

Anahtar Kelimeler

machine learning, residential property, forecasting

Kaynakça

• [1] E.Egrioğlu, U.Yolcu ve E.Baş, Yapay Sinir Ağları, Ankara: Nobel, 2019.
• [2] M.Atalay ve E.Çelik, “Büyük veri analizinde yapay zeka ve makine öğrenmesi uygulamaları”, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Dergisi, C.9, s.22, ss.255-172, 2017.
• [3] M.Mohri, A.Rostamizadeh ve A.Talwalkar, Foundations of Machine Learning, USA: The MIT Press, 2012.
• [4] B.Caliskan, H.A.Özkan Yazar ve A.Keskin, “Understanding sociodemographic characteristics shaping the choice of large homes: lessons from Turkish metropolises”, International Journal of Housing Markets and Analysis, https://doi.org/10.1108/IJHMA-07-2024-0090, 2024.
• [5] R. Rolnik, “Place, inhabitance and citizenship: the right to housing and the right to the city in the comteporary urban world”, International Journal of Housing Policy, c.14, s.13, ss.293-300, 2014.
• [6] S. Purkis, “İstanbul’da inşaat odaklı birikimin durdurulamayan yükselişi: konut fazlasına karşın artan konut açığı”, Mülkiye Dergisi, c. 40, sy. 4, ss. 91–112, 2016.
• [7] O.A. Taiwo, “Types of machine learning algorithms”, New Advances in Machine Learning, Y.Zhang (Ed.), InTech, University of Portsmouth United Kingdom, pp.3-31, 2010.
• [8] F.Y. Osisanwo et al., “Supervised machine learning algorithms: classification and comparison”,International Journal of Computer Trends and Technology (IJCTT), v.48, n.3, pp.128-138, 2017.
• [9] B.Mahesh, “Machine learning algorithms-a rewiew”, International Journal of Science and Research, v.9,n.1, pp.381-386, 2020.
• [10] D.A. Pisner and D.M. Schneyer, “Support vector machine”, in Machine Learning, Academic Press, pp.101-121, 2020.
• [11] Ö. Akar and O. Güngör, “Rastgele Orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması”, hkmojjd, no. 106, pp. 139–146, December 2012, doi: 10.9733/jgg.241212.1t.
• [12] E.Namlı, R.Ünlü and E.Gül, “Fiyat tahminlemesinde makine öğrenmesi teknikleri ve doğrusal regresyon yöntemlerinin kıyaslanması: Türkiye’de satılan ikinci el araç fiyatlarının tahminlenmesine yönelik bir vaka çalışması”, KONJES, vol.7, n.4, pp.806-821, 2019.
• [13] W.Y. Loh, “Classification and regression trees”,Wiley Interdisciplinary Reviews: Data mining and knowledge discovery,v.1,n.1, pp.14-23, 2011.
• [14] M.Seeger, “Gaussian processes for machine learning”, International Journal of Neural Systems, v.14,n.02, pp.69-106, 2004.
• [15] T.G. Dietterich, “An experimental comparison of three methods for constructing ensembles of decision tress: Bagging, boosting, and randomization”, Machine Learning, 40, pp.139-157, 2000.
• [16] B.H. Arda, “Konut fiyatları tahmininde makine öğrenmesi sınıflandırma algoritmalarının kullanılması: Kütahya kent merkezi örneği”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, s.76, ss.221-237, 2023.
• [17] M.Oral, E.Okatan, İ.Kırbaş, “Makine öğrenme yöntemleri kullanarak konut fiyat tahmini üzerine bir çalışma: Madrid örneği”, 3 rd International Young Researchers Student Congress, pp. 263-272, 2021.
• [18] O.Doğan et al., “Konut değerleme tahmininde yapay sinir ağları ve çok regresyon analizi yöntemlerinin kıyaslanması: Yenimahalle/Ankara örneği”, Türkiye Arazi Yönetimi Dergisi, v.6, n. 1, pp.21-31, 2024.
• [19] M.Kayakuş, M.Terzioğlu, F.Yetiş, “Forecasting housing prices in Turkey by machine learning methods”, Aestimum, 80, pp.33-44, 2022.
• [20] M.Özdemir, K.Yıldız ve B.Büyüktanır, “Housing price estimation with deep learning: A case study of sakarya Turkey”, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, c.9,s.1,ss.138-151, 2022.
• [21] R.T. Mora-Garcia, M.F. Cespedes-Lopez, V.R. Perez-Sanchez, “Housing price prediction using machine learning algorithms in COVID-19 times”, Land, v.11, n.11, pp.1-32, 2022.
• [22] A. Soltani, M.Heydari, F.Aghaei, C.J.Pettit, “Housing price prediction incorporating spatio-temporal dependency into machine learning algorithms”, Cities, n.131, 2022.
• [23] B. Park and J.K. Bae, “Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data”. Expert systems with applications, v.42, n. 6, pp.2928-2934, 2015.
• [24] Q.Truong, M.Nguyen, H.Dang, B.Mei, “Housing price prediction via improved machine learning techniques”. Procedia Computer Science, 174, pp. 433-442, 2020.
• [25] E.Ç. Akay et al., “Türkiye konut fiyat endeksi öngörüsü: ARIMA, rassal orman ve arima-rassal orman”. PressAcademia Procedia, c.10, s.1, ss.7-11, 2019.