FİYAT TAHMİNLEMESİNDE MAKİNE ÖĞRENMESİ TEKNİKLERİ VE DOĞRUSAL REGRESYON YÖNTEMLERİNİN KIYASLANMASI; TÜRKİYE’DE SATILAN İKİNCİ EL ARAÇ FİYATLARININ TAHMİNLENMESİNE YÖNELİK BİR VAKA ÇALIŞMASI

Yıl 2019, Cilt: 7 Sayı: 4, 806 - 821, 04.12.2019

Ersin Namlı Ramazan Ünlü Ecem Gül

https://doi.org/10.36306/konjes.654952

Cited By: 6

Öz

İkinci el araç alım satım piyasası dünyada olduğu gibi Türkiye’de de çok hareketli ve kayda değer büyüklükte bir pazardır. Satıcılar araçları için alabilecekleri maksimum fiyatı ararken alıcılar olabildiği kadar düşük fiyata maksimum kalitede bir araç almak için uğraşırlar. Ancak söz konusu araçların alım satımı esnasında çeşitli problemler olabilmekte ve belirli bir araç için bayi düzeyinde dahi standart bir fiyatlandırma politikası uygulanamamaktadır. Bu çalışmada bu problemi çözmek adına ikinci el bir araç için fiyatlandırma politikası oluşturup oluşturulamayacağı araştırılmıştır, bu kapsamda gerçek veriler toplanarak istatistiksel ve yapay zekâ tabanlı yöntemlerle tahmin modelleri oluşturulmuştur. Yapay zekânın alt dallarından bir tanesi olarak düşünebileceğimiz makine öğrenmesi teknikleri doğal dil işleme, metin madenciliği, görüntü işleme gibi çok kompleks problemlerin yanı sıra regresyon problemlerinde de doğrusal regresyon gibi klasik yöntemlere göre daha başarılı sonuçlar vermektedir. Bu noktadan hareketle bu çalışma da ikinci el araç satışlarındaki fiyatlandırma sisteminin standardize edilebilmesi için Yapay Sinir Ağları, Destek Vektör Makineleri ve Doğrusal Regresyon yöntemleri uygulanmış ve kullanılan metotlar sıkça tercih edilen çeşitli değerlendirme açısından kıyaslanmıştır. Çalışmanın bulgularına göre makine öğrenmesi teknikleriyle ikinci el araç alım satımında bir fiyatlandırma standardizasyonu yapabilmek mümkündür ve söz konusu makine öğrenme teknikleri doğrusal regresyon gibi klasik yöntemlere göre daha başarılı sonuçlar vermektedir.

Anahtar Kelimeler

Yapay Sinir Ağları, Destek Vektör Makineleri, Doğrusal Regresyon, İkici El Araç Fiyatları

Kaynakça

• Aggarwal, C. C., & Zhai, C. (2012). Mining text data. Springer Science & Business Media.
• Ahmed, N. K., Atiya, A. F., Gayar, N. El, & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5–6), 594–621.
• Berry, M. W., & Castellanos, M. (2004). Survey of text mining. Computing Reviews, 45(9), 548.
• Cao, L.-J., & Tay, F. E. H. (2003). Support vector machine with adaptive parameters in financial time series forecasting. IEEE Transactions on Neural Networks, 14(6), 1506–1518.
• Chan, T.-H., Jia, K., Gao, S., Lu, J., Zeng, Z., & Ma, Y. (2015). PCANet: A simple deep learning baseline for image classification? IEEE Transactions on Image Processing, 24(12), 5017–5032.
• Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
• Daştan, H. (2016). TÜRKİYE’DE İKİNCİ EL OTOMOBİL FİYATLARINI ETKİLEYEN FAKTÖRLERİN HEDONİK FİYAT MODELİ İLE BELİRLENMESİ. İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(1), 303–327.
• Ecer, F. (2013). Türkiye’de 2. El otomobil fiyatlarının tahmini ve fiyat belirleyicilerinin tespiti.
• Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(1), 100–108.
• Jain, A. K., & Dubes, R. C. (1988). Algorithms for clustering data.
• Jurafsky, D. (2000). Speech and language processing: An introduction to natural language processing. Computational Linguistics, and Speech Recognition.
• Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160, 3–24.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436.
• Manning, C. D., Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. MIT press.
• Manning, C., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S., & McClosky, D. (2014). The Stanford CoreNLP natural language processing toolkit. In Proceedings of 52nd annual meeting of the association for computational linguistics: system demonstrations (pp. 55–60).
• Nasrabadi, N. M. (2007). Pattern recognition and machine learning. Journal of Electronic Imaging, 16(4), 49901.
• Neter, J., Wasserman, W., & Kutner, M. H. (1989). Applied linear regression models.
• Özçalıcı, M. (2017). Veri Madenciliğinde Birliktelik Kuralları ve İkinci El Otomobil Piyasası Üzerine Bir Uygulama. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 7(1), 45–58.
• Rokach, L., & Maimon, O. Z. (2008). Data mining with decision trees: theory and applications (Vol. 69). World scientific.
• Steinbach, M., Karypis, G., & Kumar, V. (2000). A comparison of document clustering techniques. In KDD workshop on text mining (Vol. 400, pp. 525–526). Boston.
• Tan, A.-H. (1999). Text mining: The state of the art and the challenges. In Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced Databases (Vol. 8, pp. 65–70). sn.
• Wan, J., Wang, D., Hoi, S. C. H., Wu, P., Zhu, J., Zhang, Y., & Li, J. (2014). Deep learning for content-based image retrieval: A comprehensive study. In Proceedings of the 22nd ACM international conference on Multimedia (pp. 157–166). ACM.
• Wang, N., & Yeung, D.-Y. (2013). Learning a deep compact image representation for visual tracking. In Advances in neural information processing systems (pp. 809–817).