Türkiye geneli konut fiyat tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms for housing price prediction across Türkiye
- Tez No: 1013077
- Danışmanlar: DR. ÖĞR. ÜYESİ VAHİT TONGUR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Konut fiyatları, Makine öğrenmesi, Regresyon analizi, Topluluk öğrenme, Veri işleme, Housing prices, Machine learning, Regression analysis, Ensemble learning, Data processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Türkiye genelinde konut satış fiyatlarının tahmin edilmesi amacıyla çeşitli makine öğrenmesi algoritmaları kullanılarak karşılaştırmalı bir analiz gerçekleştirilmiştir. Konut fiyatlarını etkileyen fiziksel özellikler, konumuna ait bilgiler ve çevresel faktörler birlikte ele alınarak, çok değişkenli ve karmaşık bir yapı sergileyen konut piyasasının daha gerçekçi biçimde modellenmesi hedeflenmiştir. Çalışma kapsamında kullanılan veri seti; konutun büyüklüğü, oda ve banyo sayısı, bina özellikleri, ısınma türü, cephe, eşya durumu, konut tipi ile ulaşım, eğitim, sağlık ve alışveriş olanaklarına ilişkin değişkenleri kapsamaktadır. Modelleme sürecine geçilmeden önce veriler kapsamlı bir ön işleme sürecinden geçirilmiş; tekrarlanan kayıtlar temizlenmiş, eksik ve tutarsız gözlemler ele alınmış ve aykırı değerler veri setinden çıkarılmıştır. Bu süreç sonucunda, başlangıçta 40.008 gözlemden oluşan veri seti, Türkiye genelinde 78 ili kapsayacak şekilde 30.770 gözlemden oluşan nihai haline getirilmiştir. Tahmin modelleri olarak doğrusal ve doğrusal olmayan regresyon yaklaşımları birlikte değerlendirilmiştir. Bu kapsamda Lasso regresyon, Decision Tree, Random Forest, Extra Trees, XGBoost, LightGBM ve CatBoost modelleri oluşturulmuştur. Modellerin performansları, hiperparametre optimizasyonu ve çapraz doğrulama süreçleri uygulanarak, eğitim ve test veri kümeleri üzerinde R², MAE, RMSE ve MAPE ölçütleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, ağaç tabanlı ve gradyan artırma yöntemlerinin doğrusal modellere kıyasla daha başarılı tahminler ürettiğini göstermiştir. Özellikle LightGBM modeli, test veri kümesi üzerinde R² = 0,7927 ve MAPE = %20,07 değerlerine ulaşarak diğer modellerle karşılaştırıldığında daha dengeli ve kararlı bir performans sergilemiştir. Bu nedenle çalışma kapsamında nihai model olarak LightGBM (logaritmik hedef değişken) modeli tercih edilmiştir. Çalışma bulguları, konut fiyat tahmininde uygun model seçiminin ve kapsamlı veri ön işleme adımlarının önemini ortaya koymaktadır.
Özet (Çeviri)
In this thesis, a comparative analysis was conducted using various machine learning algorithms to predict residential property sales prices across Türkiye. By considering physical characteristics, spatial data, and environmental factors, it was aimed to model the multivariate and complex structure of the real estate market more realistically. The dataset used in the study includes variables such as housing size, number of rooms and bathrooms, building characteristics, heating type, facade, furnishing status, and property type, as well as accessibility to transportation, education, healthcare, and shopping facilities. Before the modeling process, the data underwent an extensive preprocessing stage where duplicate records were removed, missing or inconsistent observations were addressed, and outliers were excluded. As a result, the initial dataset of 40,008 observations was refined into a final set of 30,770 observations covering 78 provinces across Türkiye. Both linear and non-linear regression approaches were evaluated as prediction models. In this context, Lasso regression, Decision Tree, Random Forest, Extra Trees, XGBoost, LightGBM, and CatBoost models were developed. Model performances were evaluated using R², MAE, RMSE, and MAPE metrics on training and test datasets through the application of hyperparameter optimization and cross-validation processes. The results demonstrated that tree-based and gradient boosting methods produced more successful predictions compared to linear models. In particular, the LightGBM model achieved an R² of 0.7927 and a MAPE of 20.07% on the test dataset, exhibiting a more balanced and stable performance compared to other models. Therefore, the LightGBM model (with logarithmic target variable) was preferred as the final model for the study. The findings highlight the significance of appropriate model selection and comprehensive data preprocessing steps in housing price prediction.
Benzer Tezler
- Essays on electricity price modeling and forecasting
Elektrik fiyatlarının modellenmesi ve tahmini üzerine makaleler
UMUT UĞURLU
Doktora
İngilizce
2019
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. OKTAY TAŞ
- Deprem sonrası barınma sorununun eğitime yansımaları: Elazığ örneği
The impact of post-earthquake housing problems on education: The Elazığ example
SELÇUK SELVİ
Yüksek Lisans
Türkçe
2026
Kamu YönetimiFırat ÜniversitesiKamu Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR YERLİKAYA ŞAŞMAZ
- Konut projelerinde ön tasarım aşamasında kaba inşaat maliyetlerinin yapay sinir ağları ile tahmin edilmesi
Estimation of rough construction costs in the preliminary design phase of residential projects using artificial neural networks
BOĞAÇHAN ŞERBETCİOĞLU
Yüksek Lisans
Türkçe
2026
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. FATMA PINAR ÇAKMAK
- Ses yalıtım ve maliyet performansına bağlı duvar tipi seçimi için bir yaklaşım
An approach for wall type selection based on sound insulation and cost performance
BİLGE ŞAN ÖZBİLEN
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK