- Jeodezi ve Jeoinformasyon Dergisi
- Vol: 10 Issue: 1
- Toplu taşınmaz değerlemede makine öğrenme algoritmalarının kullanımı ve konumsal/konumsal olmayan öz...
Toplu taşınmaz değerlemede makine öğrenme algoritmalarının kullanımı ve konumsal/konumsal olmayan özniteliklerin tahmin doğruluğuna etkilerinin karşılaştırılması
Authors : Arif Çağdaş Aydinoğlu, Rabia Bovkir, Ismail Çölkesen
Pages : 63-83
Doi:10.9733/JGG.2023R0005.T
View : 11 | Download : 2
Publication Date : 2023-05-01
Article Type : Research
Abstract :Taşınmaz değerinin güncel teknolojik yaklaşımlarla objektif olarak belirlenmesi, etkin ve sürdürülebilir taşınmaz yönetim planlaması kapsamında önemli bir role sahiptir. Toplu taşınmaz değerleme, taşınmazların tekil olarak değerlendirilmesi yerine zaman ve maliyet anlamında kayıplarını azaltarak çok sayıda taşınmazı eş zamanlı olarak değerlendirerek değer tespitlerinin yapılması işlemidir. Toplu taşınmaz değerlemede objektif, doğru ve hızlı sonuçlar elde için gelişmiş tahmin yaklaşımları olarak bilinen makine öğrenme tekniklerinin kullanımına başvurulmaktadır. Bu yöntemlerle geliştirilen modeller hem yüksek performans hem de değerleme sürecinde objektiflik sağlamaktadır. Ayrıca bu yöntemler ile değeri etkileyen kriterlerin ve kriterlerin önem düzeylerinin bütüncül biçimde değerlendirilmesi mümkün olmaktadır. Bu çalışmada Çoklu Doğrusal Regresyon (ÇDR), Genelleştirilmiş Doğrusal Model (GDM), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve Rastgele Orman (RO) algoritmaları kullanılarak toplu taşınmaz değerlemedeki model başarıları irdelenmiştir. Veri setleri Konumsal (K), Konumsal Olmayan (KO) ve Konumsal ve Konumsal Olmayan (KKO) olarak 3 gruba ayrılarak modelleme için ayrı ayrı uygulanmıştır. Model performans ölçütleri olarak Ortalama Mutlak Hata (Mean Absolute Error, MAE), Karesel Ortalama Hata (Root Mean Squared Error, RMSE), Ortalama Karesel Hata (Mean Squared Error, MSE) ve R2 hesaplanmıştır. Uygulama alanı olarak seçilen İstanbul ili Pendik ilçesi için örnek taşınmaz satış değerlerini temsil eden 1475 örnekleme noktası kullanılarak, 3 farklı veri seti (K, KO, KKO) ve farklı metotlar ile kurulan modellerin performansları irdelenmiştir. Buna göre en yüksek doğruluktaki yöntemin RO, en düşük doğruluktaki yöntemlerin ise KA ve GDM olduğu görülmüştür. Farklı veri setlerinin model doğruluğuna etkileri irdelendiğinde tek başına K veri seti ile KKO veri setinin kullanımı arasında büyük bir fark görülmemiştir.Keywords : Toplu taşınmaz değerleme, Makine öğrenme algoritmaları, Kriter analizi, Model tahmin doğruluğu