Geri Dön

Elmas fiyat tahmini için makine öğrenmesi yöntemlerinin incelenmesi

Investigation of machine learning methods for diamond price prediction

PDF İndir

  1. Tez No: 937107
  2. Yazar: ERKAN ÜNSAL
  3. Danışmanlar: PROF. DR. HUMAR KAHRAMANLI ÖRNEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 50

Özet

Başta mücevherat olmak üzere birçok alanda çeşitli amaçlar için kullanılan elmasın, karmaşık bir fiyatlandırma sistemine sahip olması elmas ticaretinde sorunlara yol açmaktadır. Bu kapsamda, farklı kodlama ve normalizasyon tekniklerinin uygulandığı çeşitli veri ön işleme adımlarından geçirilerek elde edilen 4 değişik veri setiyle özgün makine öğrenmesi yöntemleri kullanılarak elmas fiyat tahmini yapılmaktadır. Elmas fiyat tahmininde kullanılan doğrusal (linear), k-en yakın komşu (k-nearest neighbors), destek vektör (support vector), karar ağacı (decision tree), rastgele orman (random forest), aşırı gradyan güçlendirme (extreme gradient boosting) ve çok katmanlı algılayıcı (multi-layer perceptron) yöntemlerinin performansları, yaygın olarak kullanılan MAE (Ortalama Mutlak Hata (Mean Absolute Error)), WMAE (Ağırlıklı Ortalama Mutlak Hata (Weighted Mean Absolute Error)), MSE (Ortalama Kare Hata (Mean Squared Error)), RMSE (Karekök Ortalama Kare Hata (Root Mean Squared Error)), R2 (R-Kare (R-Squared), Belirlilik Katsayısı (Coefficient of Determination)), MAPE (Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error)) ve çalışmada geliştirilen yenilikçi metrikler QMAE (Kantil Ortalama Mutlak Hata (Quantile Mean Absolute Error)), AMAE (Asimetrik Ortalama Mutlak Hata (Asymmetric Mean Absolute Error)), QMAPE (Kantil Ortalama Mutlak Yüzde Hata (Quantile Mean Absolute Percentage Error)), AMAPE (Asimetrik Ortalama Mutlak Yüzde Hata (Asymmetric Mean Absolute Percentage Error)), MPAE (Ortalama Orantılı Mutlak Hata (Mean Proportion Absolute Error)), QMPAE (Kantil Ortalama Orantılı Mutlak Hata (Quantile Mean Proportion Absolute Error)), AMPAE (Asimetrik Ortalama Orantılı Mutlak Hata (Asymmetric Mean Proportion Absolute Error)) ile karşılaştırmalı olarak incelenmektedir. Bu incelemeler sonucunda, en uygun yöntemin belirlenmesi ve geliştirilen yenilikçi metriklerin geniş kullanım alanlarına sunulması hedeflenmektedir.

Özet (Çeviri)

Diamond, widely used for various purposes, particularly in jewelry, has a complex pricing system that poses challenges in diamond trading. In this context, diamond price prediction is performed using original machine learning methods on four distinct datasets obtained through various data preprocessing steps, where different encoding and normalization techniques are applied. The performance of methods employed for diamond price prediction, namely linear, k-nearest neighbors, support vector, decision tree, random forest, extreme gradient boosting, and multi-layer perceptron, is investigated comparatively using widely adopted metrics such as MAE (Mean Absolute Error), WMAE (Weighted Mean Absolute Error), MSE (Mean Squared Error), RMSE (Root Mean Squared Error), R² (R-Squared, Coefficient of Determination), MAPE (Mean Absolute Percentage Error), alongside innovative metrics developed in this study such as QMAE (Quantile Mean Absolute Error), AMAE (Asymmetric Mean Absolute Error), QMAPE (Quantile Mean Absolute Percentage Error), AMAPE (Asymmetric Mean Absolute Percentage Error), MPAE (Mean Proportion Absolute Error), QMPAE (Quantile Mean Proportion Absolute Error), and AMPAE (Asymmetric Mean Proportion Absolute Error). These investigations aim to identify the most suitable method and to introduce the innovative metrics developed in this study for broader application areas.

Benzer Tezler

  1. Tez No

    815633

    Yapay zekâya dayalı görü teknikleri kullanılarak elma ağacı rekolte tahmini

    Apple tree yield prediction using artificial intelligence based vision techniques

    ŞULE ATAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET KAYABAŞI

  2. Tez No

    559988

    New model for forecasting financial data

    Finansal verilerin öngörüsü için yeni bir model

    ÖZGÜN SEYMEN UZUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU TUNGA

  3. Tez No

    263933

    Hisse senedi yatırımcılarının davranışsal özellikleri -bireysel yatırımcıya yönelik bir araştırma-

    Behavioral characteristics of stock investors -a study on individual investors-

    BEKİR ELMAS

    Doktora

    Türkçe

    Türkçe

    2010

    İşletmeAtatürk Üniversitesi

    İşletme Bölümü

    PROF. DR. MUAMMER ERDOĞAN

  4. Tez No

    564343

    Urartu Krallığı'nın Van Gölü Havzası'ndaki tarımsal faaliyetleri ve ürünlerinin depolanması

    Storage of agricultural activities and products of the village of Urartian in The Van Lake Basin

    ERDAL ÖZGÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    ArkeolojiVan Yüzüncü Yıl Üniversitesi

    Arkeoloji Ana Bilim Dalı

    DOÇ. DR. HANİFİ BİBER

  5. Tez No

    316459

    Destek vektör makineleri ile fiyat tahminleri ve kuyumculuk sektöründe bir uygulama

    Price forecasting with support vector machines and an application in jewelery sector

    MÜNEVVER ELMAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAKİR ESNAF

Geri Dön