Geri Dön

Otomatik makine öğrenmesi kullanarak konut fiyat tahmini: Büyük şehirler üzerine bir uygulama

Housing price prediction using automated machine learning: An application on major cities

PDF İndir

  1. Tez No: 970875
  2. Yazar: HAKAN ERGÜN
  3. Danışmanlar: PROF. DR. ERSOY ÖZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, Türkiye'nin üç büyük metropolü — İstanbul, Ankara ve İzmir — için 2024 yılına ait geniş ölçekli ilan verileri kullanarak konut satılık fiyatlarının otomatik makine öğrenmesi (AutoML) ile tahmin edilmesini hedeflemektedir. Bir değerleme şirketinden temin edilen özgün veri kümesi, ilan tarihindeki döviz kurları kullanılarak Amerikan Doları cinsine çevrilmiş 44 528 gözlem ve 27 temel niteliğin yanı sıra ilan tarihinden türetilen takvimsel değişkenler (gün, ay, yıl) içermektedir. Veri temizleme sürecinde eksik değerler basit / mod esaslı yöntemde tamamlanmış, IQR tabanlı eşikleme ile aykırı gözlemler elenmiş ve mahalle + sokak ölçeğinde en az dört gözlem barındırmayan alt kümeler dışlanmıştır. Hazırlanan veri, %90 eğitim–%10 dış doğrulama ayrımıyla AutoML platformuna verilmiş; compare_models() fonksiyonu ile 18 algoritma kıyaslandıktan sonra performans sıralamasına göre en iyi 5 algoritma seçilmiş, her biri eşit arama bütçesiyle tune_model() kullanılarak iyileştirilmiştir. Toplu sonuçlar Tablo 4.6–4.11'de sunulmaktadır. Ön-tuning aşamasında Extra Trees en düşük MAE ile öne çıkarken (MAE=226,40 USD/m²), tuning + dış doğrulama sonrasında XGBoost en güçlü genel performansa ulaşmıştır (R²=0,672; RMSE=320,03; MAE=215,18). LightGBM ikinci, Extra Trees üçüncü sırada yer almıştır. Nihai model XGBoost olarak belirlenmiştir.. Değişken önem analizi, mikro‑lokasyon bilgisi (sokak, ilçe‑mahalle) ile asansör ve site durumu gibi erişilebilirlik/sosyal çevre göstergelerinin fiyatta belirleyici rol oynadığını ortaya koymuş; metrekare veya oda sayısı gibi klasik fiziksel özniteliklerin ikincil derecede etkili olduğu gözlenmiştir. Çalışma, (i) tamamı 2024 sonrası döneme ait güncel ve yüksek hacimli veriyi işlemesi, (ii) modellere makroekonomik girdi eklemeksizin ilan bazlı özniteliklerle yüksek açıklama gücüne ulaşması ve (iii) AutoML çerçevesini Türkiye konut piyasasına uygulayan ilk kapsamlı örneklerden biri olması bakımından özgün katkılar sunmaktadır. Sonuçlar, AutoML temelli yaklaşımın sahada dinamik değerleme, risk izleme ve yatırım planlaması süreçlerine hız kazandıracağını göstermekte; ileride tapu gerçekleşme fiyatları, görsel cephe kalitesi ölçümleri ve mekânsal ağ modelleri eklenerek doğruluğun daha da iyileştirilebileceği önerilmektedir

Özet (Çeviri)

This thesis aims to predict asking prices for residential properties in Turkey's three largest metropolitan areas— Istanbul, Ankara and İzmir—using large-scale 2024 listing data and an automated machine-learning (AutoML) framework. The proprietary dataset obtained from a valuation firm comprises 44,528 observations expressed in US dollars (converted at the exchange rate on each listing date), 27 primary features, and additional calendar variables (day, month, year) derived from the listing date. During data cleaning, missing values were imputed via simple mode/median methods, outliers were removed with an IQR-based thresholding approach, and neighbourhood + street subsets with fewer than four observations were excluded. The dataset was split into 90% training and 10% external validation. After benchmarking 18 regressors with compare_models(), the top-5 algorithms were selected and each was fine-tuned with identical search budgets via tune_model(). Aggregate results are reported in Tables 4.6–4.11. In the pre-tuning screen, Extra Trees initially achieved the lowest MAE (MAE=226.40 USD/m²), while the post-tuning + external-validation comparison MAE=215.18), followed by LightGBM and Extra Trees. XGBoost was retained as the final model. Variable-importance analysis revealed that micro-location information (street, district-neighbourhood) and accessibility/social-environment indicators such as elevator and gated-community status are the primary price determinants, whereas traditional physical attributes like floor area or room count play a secondary role. The study makes three original contributions: (i) it processes a fully post-2024, high-volume dataset; (ii) it attains strong explanatory power using only listing-level attributes, without macro-economic inputs; and (iii) it constitutes one of the first comprehensive applications of an AutoML framework to Turkey's housing market. The findings suggest that AutoML-based approaches can substantially accelerate on-site valuation, risk monitoring and investment-planning workflows. Future work could further boost accuracy by incorporating deed-registry transaction prices, façade-quality image metrics and spatial-network features.

Benzer Tezler

  1. Tez No

    580093

    Cryptocurrency price prediction by using social media data

    Makine öğrenmesi teknikleri kullanılarak sosyal medya verileri ile kripto para fiyat tahmini

    ÖZLEM GÜL PAMUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. SEFER BADAY

  2. Tez No

    921223

    Multilingual, multimodal and explainable approaches for automated fact-checking problem

    Otomatik doğrulama problemi için çok dilli, çok modlu ve açıklanabilir yaklaşımlar

    RECEP FIRAT ÇEKİNEL

    Doktora

    İngilizce

    İngilizce

    2025

    DilbilimOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. PINAR KARAGÖZ

  3. Tez No

    674538

    Görüntü işleme ve makine öğrenmesi yöntemleriyle suçlu tespitine yönelik bir yüz tanıma sisteminin geliştirilmesi

    Development of a face recognition system for criminal using image processing and machine learning

    SALİH TAHA ALPEREN ÖZÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİH CEVDET İNCE

  4. Tez No

    734526

    Derin öğrenme tabanlı yapı elektrik plan çizimi

    Deep learning based building electrical plan drawing

    BAYRAM AKGÜL

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAKAN KUTUCU

  5. Tez No

    987771

    CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü

    Part control with machine learning from data on CMM device

    ZEYNEP BİRGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Metalurji MühendisliğiSakarya Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NURAY CANİKOĞLU

Geri Dön