Geri Dön

Makine öğrenimi ile fiyat konut tahmini: istanbul örneği

Housing price prediction with machine learning: the case of İstanbul

PDF İndir

  1. Tez No: 1003253
  2. Yazar: ÖMER GÖKBERK ERBULUT
  3. Danışmanlar: DOÇ. DR. ZEYNEP ÇOLAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Çanakkale Onsekiz Mart Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Gayrimenkul Geliştirme Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, konut fiyat tahmini için popüler ve başarılı tahmin sonuçları veren çeşitli makine öğrenmesi modelleri karşılaştırılarak alternatif yaklaşımlar incelenmiştir. Çalışmanın amacı, farklı regresyon algoritmalarını birleştirerek Stacking Regressor modelini oluşturmaktır. Bu hibrit model, alt modellerin güçlü yönlerini meta-model aracılığıyla birleştirerek tahmin doğruluğunu artırmayı amaçlamaktadır. Çalışmada, konut fiyat tahmini için CatBoost, XGBoost, Random Forest, Extra Trees, Hist Gradient Boosting ve Gradient Boosting gibi popüler makine öğrenme algoritmalarının performansları çeşitli hata metriklerine göre değerlendirilmiştir. Ayrıca, özellik mühendisliği ve parametre optimizasyonu adımlarıyla yapılan iyileştirmelerle, modellerin performansı artırılmış ve özellikle Random Forest ve Extra Trees'de anlamlı iyileşmeler gözlemlenmiştir. Çalışmanın bir diğer önemli aşaması, farklı regresyon algoritmalarını birleştirerek oluşturulan Stacking Regressor modelidir. Elde edilen bulgular, CatBoost'un en düşük hata değerlerine sahip model olduğunu göstermektedir. Diğer algoritmalar arasında, Random Forest ve XGBoost, CatBoost'a yakın sonuçlar verirken, Gradient Boosting daha yüksek hata değerleriyle dikkat çekmiştir. Hibrit modelin tüm bireysel algoritmalarla karşılaştırıldığında üstün bir performans sergilediğini göstermiştir. Bu bulgular, makine öğrenmesi modellerinin birleştirilmesinin karmaşık veri setlerinde daha iyi sonuçlar elde edilmesine olanak sağladığını ve model genel doğruluğunu artırdığını ortaya koymaktadır.

Özet (Çeviri)

This study explores alternative methodologies by comparing popular and effective machine learning models for housing price prediction. The primary objective is to develop a hybrid Stacking Regressor model that combines multiple regression algorithms to leverage their individual strengths through a meta-model, thereby enhancing prediction accuracy.The performanc e of widely used machine learning algorithms, including CatBoost, XGBoost, Random Forest, Extra Trees, Hist Gradient Boosting, and Gradient Boosting, was evaluated using various error metrics for housing price prediction. Feature engineering and parameter optimization were applied to improve model performance, resulting in significant enhancements, particularly for Random Forest and Extra Trees. Furthermore, a Stacking Regressor model was constructed by integrating multiple regression algorithms to capitalize on their collective predictive capabilities. The results indicate that CatBoost achieved the lowest error rates among the evaluated models. Random Forest and XGBoost also performed comparably well, whereas Gradient Boosting exhibited higher error rates. The hybrid Stacking Regressor model outperformed all individual algorithms, demonstrating superior predictive accuracy. These findings underscore the potential of integrating machine learning models to address complex datasets and improve overall model performance.

Benzer Tezler

  1. Tez No

    895348

    Sentiment analysis model proposal with deep learning techniques on big data: Portfolio selection with the help of industry indicators

    Büyük veri üzerinde derin öğrenme teknikleri ile duygu analizi model önerisi: Sektör göstergeleri yardımıyla portföy seçimi

    MAHMUT SAMİ SİVRİ

    Doktora

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  2. Tez No

    918601

    Açıklanabilir yapay zeka ile konut piyasasının geleceğinde veri odaklı kararlar

    Data-driven decisions on the future of the housing market with explainable artificial intelligence

    HALE UYSAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Yönetim Bilişim SistemleriBurdur Mehmet Akif Ersoy Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. ADNAN KALKAN

  3. Tez No

    779478

    Enriching predictive models using graph embeddings

    Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi

    YAREN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  4. Tez No

    824879

    Parameter optimization for mathematical modeling

    Matematiksel modelleme için parametre optimizasyonu

    MEHMET TUNÇEL

    Doktora

    İngilizce

    İngilizce

    2023

    Ekonomiİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET DURAN

  5. Tez No

    1005793

    Impact of external motivators to predict house price: The case of İstanbul

    Konut fiyatlarını tahminlemede dış faktörlerin etkisi: İstanbul çalışması

    BESTE ŞENOCAK SOYSAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilim ve TeknolojiBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TAMER UÇAR

Geri Dön