Konut satış fiyatlarının coğrafi bilgi sistemi girdili makine öğrenmesi yöntemleri ile tahminlenmesi: İstanbul örneği
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: DUYGU ATASEVER
Danışman: Ersoy Öz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Konut piyasası, her konutun benzersiz özelliklere sahip olması nedeniyle çeşitlilik gösterir. Bu yüzden konut satış fiyatlarının tahmini, hem bireyler hem de sektör profesyonelleri için önemli bir konudur. Özellikle İstanbul gibi büyük ve dinamik bir şehirde, fiyatların nasıl şekillendiğini anlamak, doğru yatırım kararları alabilmek için kritik bir öneme sahiptir. Bu bağlamda, gelişmiş analitik yöntemler ve teknolojilerin kullanımı, konut satış fiyat tahminlerinin doğruluğunu artırmada büyük bir rol oynar. Coğrafi Bilgi Sistemleri (CBS) ve makine öğrenmesi tekniklerinin entegrasyonu, bu alanda yeni ve etkili bir yaklaşım sunmaktadır. Bu yöntemler, konut satış fiyatlarını etkileyen çeşitli faktörlerin, özellikle de konumsal faktörlerin, derinlemesine analiz edilmesini sağlar. Araştırmanın temel amacı, İstanbul'un çeşitlilik gösteren konut piyasasında, satış fiyatlarının tahmin edilmesi sürecinde CBS ve makine öğrenmesi tekniklerinin etkin bir şekilde kullanılmasıdır. Makine öğrenmesi algoritmaları, konutların değerini etkileyen birçok faktörü analiz ederek, fiyat tahminlerinde bulunurken, CBS teknikleri konutların coğrafi konumlarını dikkate alarak, fiyatlar üzerindeki konumsal etkilerini gözler önüne serer. Bu yaklaşım, konut satış fiyatlarının daha kapsamlı bir şekilde anlaşılmasını ve daha doğru tahminler yapılmasını sağlamaktadır. Bu bakımdan çalışmada iki farklı model geliştirilmiştir. İlk modelde, konutun temel öznitelikleri (örneğin, metrekare, oda sayısı, bina yaşı) kullanılmıştır. İkinci modelde ise, CBS ile hesaplanmış uzaklık değişkenleri (örneğin, park, toplu taşıma gibi önemli noktalara olan mesafeler) temel özelliklere eklenmiştir. XGBoost, LightGBM ve CatBoost algoritmaları ile gerçekleştirilen analizlerde, CBS ile zenginleştirilmiş modelin performansının daha yüksek olduğu gözlemlenmiştir. Özellikle LightGBM algoritması, CBS değişkenlerinin eklendiği modelde en yüksek performansı göstermiştir. XGBoost ve CatBoost algoritmaları da başarılı sonuçlar elde etmiştir. Araştırma sonuçları, konut satış fiyatlarının tahmininde CBS ve makine öğrenmesi tekniklerinin birlikte kullanımının önemini vurgulamaktadır. Bu tez çalışması, konut piyasasının analiz edilmesi ve fiyat tahminlerinin yapılması konusunda yeni bir perspektif sunarak, sektördeki uygulamalara katkıda bulunmayı amaçlamaktadır. Çalışmada kullanılan yaklaşım, konut piyasasının daha kapsamlı bir şekilde anlaşılmasını ve daha doğru tahminler yapılmasını sağlamaktadır.