MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK GAYRİMENKUL DEĞER TAHMİNİNDE COĞRAFİ REFERANSLI VERİNİN KATKISI
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: MUSTAFA DENİZ AYAR
Danışman: Alper Şen
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Gayrimenkul değerlemesi, mülkiyetin doğru bir şekilde değerlendirilmesi ve tahmini piyasa değerinin belirlenmesi sürecidir. Fakat doğru bir gayrimenkul değerlemesi, insan uzman bilgisi gerektirir ve geleneksel gayrimenkul değerleme süreçleri zaman alıcıdır. Geleneksel yöntemler genellikle manuel değerlendirme tekniklerini içerirken, makine öğrenmesi teknikleri gayrimenkul değerlemesi alanında zaman, maliyet, iş gücü ve objektiflik konularında büyük bir potansiyel sunmaktadır. Son yıllarda emlak piyasasındaki gayrimenkullerin fiyatlarını tahmin etmek için makine öğrenmesi teknikleri ve algoritmalarının kullanımı artmıştır. Gayrimenkul değerlemesi için makine öğrenmesi yöntemleri, mülkün değerini etkileyen faktörleri analiz ederek ve tahmin modelleri oluşturarak çalışır. Bu faktörler arasında konum, yapısal özellikler, emlak piyasası verileri, sosyal ve ekonomik faktörler yer alabilir. Çok sayıda faktör bulunduğundan geleneksel yöntemlerde, çok sayıda değişken ve karmaşık ilişkiler göz ardı edilebilir. Bu gibi sebeplerden ötürü son yıllarda makine öğrenmesi yöntemleri ile gayrimenkul fiyat tahmini konusu üzerine birçok çalışma yapılmıştır. Bu çalışmada, gayrimenkul değerlemesinde makine öğrenmesi yöntemlerinin karşılaştırmalı kullanımı incelenmiş ve coğrafi referanslı verilerin tahmin doğruluğuna katkısı araştırılmıştır. Çalışmada 2023 yılı Mayıs ve Haziran aylarına ait İstanbul ili Bayrampaşa ilçesinde ki satılık 1267 adet konut ilanı veri seti için kullanılmıştır. Veri setinde konutlara ait yapısal ve mülki (m2 (Brüt), m2 (Net), oda sayısı, bina yaşı, toplam kat sayısı, bulunduğu kat, ısıtma türü, banyo sayısı, balkon bilgisi, eşya bilgisi, kullanım durumu bilgisi, site bilgisi, kredi durumu, aidat miktarı, tapu türü, fiyat) ek coğrafi referanslı (enlem, boylam) bilgileri de bulunmaktadır. Bu veri setine ağaç temelli makine öğrenmesi yöntemlerinden Rastgele Orman, Adaptive Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost), CatBoost ile Çoklu Doğrusal Regresyon ve Coğrafi Ağırlıklı Regresyon yöntemleri uygulanarak veri eğitilmiş, test verileri tahmin edilmiştir. Makine öğrenmesi modelleri Belirleme Katsayısı (R2), Ortalama Mutlak Hata (MAE), Ortalama Mutlak Yüzde Hata (MAPE), Ortalama Kök Karesel Hata (RMSE) ölçütleri ile karşılaştırılmıştır. Karşılaştırma sonucunda Coğrafi Ağırlıklı Regresyon ile yapılan tahmin modeli 0,87 R2 skoru ile en başarılı model olmuştur. Coğrafi Ağırlıklı Regresyonu, 0,86 R2 skoru ile CatBoost ve Rastgele Orman, 0,85 R2 skoru ile XGBoost, 0,76 ve 0,74 R2 skoru ile Çoklu Doğrusal Regresyon ve AdaBoost yöntemleri takip etmiştir. Coğrafi Ağırlıklı Regresyon modelinin en başarılı sonucu verdiği görülmüştür. CatBoost, XGBoost ve Rastgele Orman algoritmalarının da başarılı tahmin sonuçları verdiği görüldükten sonra veri setinden coğrafi referanslı veriler (enlem, boylam) çıkarılarak mevcut modeller ile tahminler yapılmış, coğrafi referanslı özelliklerin model başarılarına etkisi gözlemlenmiştir. Coğrafi referanslı veriler olmadan hazırlanan bu yeni modeller ile sırasıyla CatBoost 0,82 R2, Rastgele Orman 0,81 R2, XGBoost 0,78 R2, Çoklu Doğrusal Regresyon 0,75 R2 ve AdaBoost 0,73 R2 skoru elde edilmiştir. Böylece çalışma sonunda Coğrafi Ağırlıklı Regresyon, CatBoost, XGBoost ve Rastgele Orman yöntemlerinin gayrimenkul değer tahminlerinde kullanılabileceği gözlemlenmiş, coğrafi referanslı verilerin değer tahminlerinin doğruluğunu arttırdığı anlaşılmıştır.