Geri Dön

Utilization of catboost algorithm to enhance investment and bidding strategy in the construction industry

Nşaat sektöründe yatırım ve ihale stratejisini geliştirmek için catboost algoritmasının kullanılması

  1. Tez No: 1019844
  2. Yazar: FILIPP LIGAY
  3. Danışmanlar: DOÇ. DR. ONUR BEHZAT TOKDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapı İşletmesi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnşaat sektörü, yüksek mali taahhütler, uzun proje süreleri ve makroekonomik dalgalanmalara açık yapısıyla yatırım ve ihale kararlarının doğası gereği karmaşık olduğu bir sektördür. Geleneksel karar destek yaklaşımları, özellikle Çok Kriterli Karar Verme (MCDM) çerçeveleri ve sezgisel tabanlı tahmin teknikleri, proje değerlendirmesinde yapılandırılmış metodolojiler sunmaktadır. Ancak bu yaklaşımlar, doğrusal varsayımlara, önceden belirlenmiş ağırlık şemalarına ve uzman görüşüne dayalı parametrelere bağımlı olmaları nedeniyle, büyük veri setlerine ölçeklenebilirlikleri ve modern inşaat projelerini karakterize eden finansal, zamansal ve makroekonomik değişkenler arasındaki doğrusal olmayan etkileşimleri yakalama kapasiteleri bakımından sınırlı kalmaktadır. Yapılandırılmış proje veritabanlarının artan erişilebilirliği ile gradyan artırma algoritmalarındaki gelişmeler, geleneksel değerlendirme yöntemlerini tamamlayan ve genişleten veriye dayalı tahmin çerçevelerinin geliştirilmesi için önemli bir fırsat sunmaktadır. Bu çalışma, inşaat ihale fırsatlarının bileşik uygulanabilirlik puanlarını tahmin etmeye yönelik bir CatBoost gradyan artırma çerçevesi geliştirmekte ve ampirik olarak doğrulamaktadır. Araştırma, uluslararası bir inşaat istihbarat veritabanından elde edilen, yedi coğrafi bölge ve yedi proje yaşam döngüsü aşamasını kapsayan 10.949 inşaat projesinden oluşan bir veri setini kullanmaktadır. Her proje, üç analitik olarak farklı boyutu kapsayan altı tahmin değişkeni ile tanımlanmıştır: finansal boyut (Proje Değeri), zamansal boyut (Süre) ve makroekonomik/bağlamsal boyut (Kişi Başına GSYİH, Orta Vadeli Derecelendirme, Proje Durumu ve Finansman Modu). Bağımlı değişken olan Oran (Rate), projelerin öncelikle ikili uygunluk kriterlerine göre tarandığı, ardından toplam ağırlığın %50'sini oluşturan iş geliştirme derecelendirmesi dahil olmak üzere beş ağırlıklı boyut üzerinden puanlandığı iki aşamalı bir değerlendirme çerçevesi aracılığıyla hesaplanan 0–74 aralığında sürekli bir bileşik puandır. Çalışmanın kritik bir tasarım özelliği olarak, kurumsall stratejik konumlanmayı ve uzman değerlendirmesini yansıtan iş geliştirme derecelendirmesi, modelin öznitelik setinden bilinçli olarak çıkarılmıştır. Bu durum, inşaat firmalarının dahili değerlendirme süreçleri tamamlanmadan önce proje çekiciliğini değerlendirmesi gereken gerçek dünya senaryolarını temsil eden bir kısmi bilgi tahmin problemi oluşturmaktadır. Model bu nedenle, yalnızca gözlemlenebilir proje düzeyindeki özelliklerden hareketle uzman değerlendirmesinin ve stratejik bağlamın birleşik etkisini çıkarımlamak zorundadır. Metodoloji, sistematik veri temizleme (başlangıçtaki 13.008 kayıttan 10.949 geçerli girdiye indirgeme), dört alternatif ölçeklendirme yöntemi (Z-Skoru, Robust, Min-Maks ve Logaritmik dönüşüm) kullanılarak öznitelik standardizasyonu ve tekrarlanabilirliği sağlamak amacıyla sabitlenmiş bir rastgele tohum ile %80/%20 eğitim-test ayrımını kapsayan yapılandırılmış bir iş hattı izlemektedir. CatBoost regresyon modelleri, 81 hiperparametre kombinasyonu üzerinden 5 katlı çapraz doğrulama ile GridSearchCV kullanılarak eğitilmiş olup iterasyon sayısı (600, 800, 1.000), öğrenme hızı (0,08; 0,10; 0,12), ağaç derinliği (6, 7, 8) ve L2 düzenlileştirme (3, 5, 7) parametreleri optimize edilmiştir. Model performansı, belirleme katsayısı (R²), Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (MSE), Karesel Ortalama Hatanın Karekökü (RMSE) ve tahmin edilen ile gerçek Oran değerleri arasındaki yüzde sapmayı ölçen özel bir Sapma Oranı (Deviation Rate) metriğinden oluşan çoklu metrik bir çerçeve kullanılarak değerlendirilmiştir. Sonuçlar, CatBoost'un tüm standardizasyon yöntemlerinde güçlü tahmin performansı sergilediğini göstermektedir. Z-Skoru standardizasyonu, modelin bileşik uygulanabilirlik puanındaki varyansın yaklaşık %90'ını açıkladığını gösteren 0,897'lik en yüksek R² değerini vermiştir. Robust standardizasyon 0,874, Min-Maks 0,873 ve Logaritmik dönüşüm 0,772 R² değerleri elde etmiştir. Üç temel modelle, Doğrusal Regresyon (R² = 0,077), Karar Ağacı (R² = 0,758) ve Rastgele Orman (R² = 0,772), yapılan sistematik karşılaştırma, gözlemlenebilir proje özellikleri ile bileşik uygulanabilirlik puanı arasındaki ilişkinin temelden doğrusal olmadığını ve CatBoost'un sıralı gradyan artırma mekanizmasının en güçlü temel modele kıyasla açıklanan varyansta %16,3 oranında göreli bir iyileşme sağladığını doğrulamıştır. Analiz ayrıca, açıklanan varyans ile mutlak hata minimizasyonu arasında daha önce belgelenmemiş bir ödünleşimi ortaya koymuştur: Z-Skoru, R²'yi maksimize ederken daha geniş artık dağılımı üretmekte; buna karşılık Logaritmik dönüşüm, düşük R² pahasına en düşük ortalama sapma oranını (%2,35) elde etmektedir. Dört yöntemin tamamında gerçekleştirilen artık değer (rezidü) diagnostikleri, sıfıra yakın tahmin yanlılığı göstererek modelin kalibrasyonunu doğrulamış; ancak tüm yöntemlerde görülen yüksek basyklık (kurtosis) değerleri (minimum: 21,87), gözlemlenemeyen iş geliştirme derecelendirmesine atfedilebilecek yapısal bir bilgi sınırı tespit etmiştir. Permütasyon tabanlı öznitelik önem analizi, Kişi Başına GSYİH'yı baskın tahmin edici olarak belirlemiştir (ΔR² = 1,599). Bu değer, diğer tüm özniteliklerden bir büyüklük derecesi daha yüksektir ve ev sahibi ülkenin ekonomik gelişmişlik düzeyinin bir göstergesi olarak Kişi Başına GSYİH'nın, puanlama çerçevesindeki hem iş geliştirme derecelendirmesini hem de ülke kredi notunu güçlü biçimde etkileyen, rolü ile tutarlıdır. Orta Vadeli Derecelendirme, güçlü korelasyonlarına rağmen (r = 0,814), Kişi Başına GSYİH'nın ötesinde tamamlayıcı tahmin bilgisi taşıdığını doğrulayarak ikinci sırada yer almıştır (ΔR² = 0,087). Bu çalışmanın temel bilimsel katkısı, en ağır ağırlıklı değerlendirme bileşeni model girdisi olarak mevcut olmasa dahi, gradyan artırma yönteminin yalnızca gözlemlenebilir proje özelliklerinden hareketle uzman kaynaklı bileşik uygulanabilirlik değerlendirmelerini doğru bir şekilde yaklaşıklayabileceğini göstermesinde yatmaktadır. Bu bulgu, makine öğrenmesi tabanlı ön eleme yönteminin inşaat yatırımında uygulanabilirliğini ortaya koyarak, firmaların kaynak yoğun dahili değerlendirmeler tamamlanmadan önce ihale fırsatlarını önceliklendirmesine olanak sağlamaktadır. Çalışma ayrıca, tek bir performans metriğiyle görünür olmayan ödünleşimleri ortaya koyan sistematik bir standardizasyon karşılaştırma metodolojisi ve çoklu metrik değerlendirme çerçevesi sunarak alana katkıda bulunmaktadır. Çalışmanın sınırlılıkları arasında uzman kaynaklı hedef değişkenin doğasında bulunan öznellik, giriş özniteliklerinin altı ile sınırlı tutulması, zamansal doğrulamanın bulunmaması ve XGBoost ile LightGBM'e karşı doğrudan karşılaştırma yapılmamış olması yer almaktadır. İş geliştirme derecelendirmesinin %50 ağırlık taşıması, Oran değişkenine kaçınılmaz olarak değerlendirici bazında öznellik ve tutarsızlık getirmektedir; bu durum, raporlanan R² değerinin tüm firmalara genellenebilir nesnel bir proje uygulanabilirliği ölçüsü değil, belirli bir organizasyonun değerlendirme çerçevesini yaklaşıklama derecesi olarak yorumlanması gerektiği anlamına gelmektedir. Altı öznitelik kısıtlaması, veri kullanılabilirliği ve eksiksizlik gereksinimleriyle motive edilmiş olsa da, sektör sınıflandırması veya yüklenici özellikleri gibi ek değişkenlerin dahil edilmesi tahmin performansını artırabilir. MAPE metriği, sıfıra yakın hedef değerleri nedeniyle Robust, Min-Maks ve Logaritmik standardizasyonda matematiksel olarak kararsız hale gelmiş ve karşılaştırmalı bir metrik olarak uygulanabilirliğini sınırlandırmıştır. Gelecek çalışmalar, bu araştırmanın oluşturduğu çerçeveyi çeşitli yönlerden güçlendirmelidir. SHAP (SHapley Additive exPlanations) değerlerinin entegrasyonu, yöne bağımlı öznitelik etkilerini ve doğrusal olmayan etkileşim örüntülerini ortaya koyarak model yorumlanabilirliğini artıracak ve yüksek riskli inşaat yatırım kararlarının şeffaflık gereksinimlerini karşılayacaktır. Aynı ön işleme koşulları altında XGBoost ve LightGBM ile doğrudan karşılaştırma, CatBoost'un sıralı artırma ve doğal kategorik kodlama gibi algoritmaya özgü yeniliklerinin katkısını, gradyan artırmanın genel avantajlarından ayırt etmeyi sağlayacaktır. Sıralamayı Öğrenme (Learning-to-Rank) tekniklerinin uygulanması, model çıktılarını sürekli puan tahmini yerine sektörün doğasında bulunan sıralı proje önceliklendirme ihtiyacıyla uyumlu hale getirebilir. Son olarak, öznitelik setinin önceki ülke deneyimi veya tarihsel kazanım oranları gibi kurumsal düzey değişkenlerle zenginleştirilmesi, iş geliştirme derecelendirmesinin dışlanmasıyla oluşan bilgi açığını daraltabilir ve modelin temel tahmin sınırını temsil eden leptokurtik artık dağılımını azaltma potansiyeli taşımaktadır.

Özet (Çeviri)

In the construction industry, substantial financial commitments, prolonged project timelines, and exposure to macroeconomic volatility render investment and bidding decisions inherently complex. Conventional decision-support approaches, including Multi-Criteria Decision-Making (MCDM) frameworks and heuristic-based estimation techniques, have historically provided structured methodologies for project evaluation. However, these approaches frequently rely on linear assumptions, which limit their scalability to large datasets and their capacity to capture the non-linear interactions among financial, temporal, and macroeconomic variables that characterize modern construction projects. The increasing availability of structured project databases, combined with advances in gradient boosting algorithms, presents an opportunity to develop data-driven prediction frameworks that complement and extend traditional evaluation methods. This study develops and empirically validates a CatBoost gradient boosting framework for predicting composite viability scores of construction bidding opportunities. The research utilizes a dataset of 10,949 construction across seven geographic regions and seven project lifecycle stages. Each project is characterized by six predictor features spanning three analytically distinct dimensions: financial (Project Value), temporal (Duration), and macroeconomic/contextual (GDP per Capita, Medium-Term Rating, Project Situation, and Funding Mode). The target variable, Rate, is a continuous composite score (0–74) computed through a two-stage evaluation framework in which projects are first screened against binary eligibility criteria and subsequently scored across five weighted dimensions, including a business development rating that carries 50% of the total weight. Critically, this business development rating, reflecting organizational strategic positioning and expert assessment, is deliberately excluded from the model's feature set, creating a partial-information prediction problem that is representative of real-world scenarios in which firms must assess project attractiveness before internal evaluation processes have been completed. The methodology follows a structured pipeline comprising systematic data cleaning (reducing the initial 13,008 records to 10,949 viable entries), feature standardization using four alternative scaling methods (Z-Score, Robust, Min-Max, and Log transformation), and an 80/20 train-test split with a fixed random seed to ensure reproducibility. CatBoost regression models were trained using GridSearchCV with 5-fold cross-validation across 81 hyperparameter combinations, optimizing iteration count (600, 800, 1000), learning rate (0.08, 0.10, 0.12), tree depth (6, 7, 8), and L2 regularization (3, 5, 7). Model performance was evaluated using a multi-metric framework comprising the coefficient of determination (R²), Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and a custom Deviation Rate metric that quantifies the percentage deviation between predicted and actual Rate values. The results demonstrate that CatBoost achieves strong predictive performance across all standardization methods, with Z-Score standardization yielding the highest R² of 0.897, indicating that the model explains approximately 90% of the variance in the composite viability score. Robust standardization achieved an R² of 0.874, Min-Max an R² of 0.873, and Log transformation an R² of 0.772. A systematic comparison against three baseline models, Linear Regression (R² = 0.077), Decision Tree (R² = 0.758), and Random Forest (R² = 0.772), confirmed that the relationship between observable project features and the composite viability score is fundamentally non-linear, and that CatBoost's sequential gradient boosting mechanism provides a 16.3% relative improvement in explained variance over the strongest baseline. The analysis further revealed a previously undocumented trade-off between explained variance and absolute error minimization: Z-Score maximizes R² but produces wider residual spread, while Log transformation achieves the lowest average deviation rate (2.35%) at the cost of lower R². Residual diagnostics across all four methods demonstrated near-zero prediction bias, confirming the model's calibration, while universally elevated kurtosis values identified a structural information boundary attributable to the unobserved business development rating. Permutation-based feature importance analysis identified GDP per Capita as the dominant predictor (ΔR² = 1.599), an order of magnitude more important than any other feature, consistent with its role as a proxy for the host country's economic development level, which strongly influences both the business development rating and the country credit rating in the scoring framework. Medium-Term Rating ranked second (ΔR² = 0.087), confirming that it carries complementary predictive information beyond GDP per Capita despite their strong intercorrelation (r = 0.814). The principal scientific contribution of this study lies in demonstrating that gradient boosting can accurately approximate expert-derived composite viability assessments from observable project characteristics alone, even when the most heavily weighted evaluation component is unavailable as a model input. This finding establishes the feasibility of ML-based preliminary project screening in construction investment, enabling firms to prioritize bidding opportunities before resource-intensive internal evaluations have been completed. The study further contributes a systematic standardization comparison methodology and a multi-metric evaluation framework that reveals trade-offs invisible to any single performance metric. Limitations include the subjectivity inherent in the expert-derived target variable, the restriction to six input features, and the absence of temporal validation and direct comparison against XGBoost and LightGBM. Future work should address these limitations through SHAP-based interpretability analysis, temporal train-test splitting, and enrichment of the feature set with organizational-level variables.

Benzer Tezler

  1. Tez No

    895196

    Satış adedini etkileyen değişkenlerin keşfi ve duyarlılık analizi uygulaması: E-ticaret örneği

    Discovery of variables affecting the number of sales and application of sensitivity analysis: E-commerce example

    RABİA AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. FETHİ ÇALIŞIR

  2. Tez No

    1005701

    Yorumlanabilir (XAI) makine öğrenme yöntemleri ile fotovoltaik (PV) sistemlerin dahili etkileri kullanılarak verimlik tahmini

    Efficiency prediction using the internal effects of photovoltaic (PV) systems with explainable (XAI) machine learning methods

    İHSAN LEVENT

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    EnerjiIğdır Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLTEKİN IŞIK

  3. Tez No

    811540

    Alzheimer hastaliğinin makine öğrenmesi modelleri kullanilarak teşhis edilmesi

    Machine learning models for the diagnosis of alzheimer disease

    FATMA NUR BUDAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    MatematikYıldız Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. MURAT SARI

    DR. ÖĞR. ÜYESİ HÜSEYİN TUNÇ

  4. Tez No

    1012940

    Kamu harcamalarının etkinlik analizi: Yükseköğretim kurumları örneği

    Analysis of the effectiveness of public expenditure: The case of higher education institutions

    NACİYE AYDEMİR

    Doktora

    Türkçe

    Türkçe

    2026

    EkonomiAksaray Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. ERŞAN SEVER

  5. Tez No

    875866

    Quantitative evaluation of explainable artificial intelligence techniques across varied datasets and machine learning methods

    Açıklanabilir yapay zeka tekniklerinin çeşitli veri seti ve makine öğrenmesi yöntemleri üzerinde nicel değerlendirilmesi

    FEYZA AYDOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Yapay Zeka Teknolojileri Ana Bilim Dalı

    DOÇ. DR. TEVFİK AYTEKİN

Geri Dön