Dergiler / Konya Journal of Engineering Sciences / 2022 / Cilt: 10 Sayı: 1

Gayrimenkul Fiyat Tahmini ve Alttaki Özelliklerin Analizi İçin C4.5 – CART Karar Ağacı Modeli

A C4.5 – CART DECISION TREE MODEL FOR REAL ESTATE PRICE PREDICTION AND THE ANALYSIS OF THE UNDERLYING FEATURES

Sayfa
147–161
Yayın Tarihi
2022-03-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Modelin KAPPA sayısı %81 ve kesinlik değeri %88’dir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Fiyat tahmini için makina öğrenmesi uygulamaları farklı alanlarda kullanılmaktadır.
📊
Temel Bulgular & Veri:Ancak, çalışmaların büyük bölümü tahmin performansına odaklanmış olup fiyata etki eden faktörlerin incelenmesi göz ardı edilmiştir.
💡
Sonuç & Katkı:Modelin KAPPA sayısı %81 ve kesinlik değeri %88’dir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine öğrenmesi · Karar ağacı · C4.5

Özet

Fiyat tahmini için makina öğrenmesi uygulamaları farklı alanlarda kullanılmaktadır. Gayrimenkul alanında fiyat tahmini son yıllarda ön plana çıkmaktadır. Ancak, çalışmaların büyük bölümü tahmin performansına odaklanmış olup fiyata etki eden faktörlerin incelenmesi göz ardı edilmiştir. Bu çalışmada gayrimenkul fiyat tahmin için bir C4.5 – CART ağacı modeli geliştirilmiştir. Bu model hem nümerik hem de kategorik fiyat tahmini yapabilmektedir. Ek olarak fiyata etki eden faktörler detaylıca analiz edilerek ortaya çıkarılmıştır. İlgili modelin performansı bu alanda bir altın standart olan Direkt Kapitalazyon modeli ile karşılaştırılmıştır. Her iki model web kazıyıcı tarafından elde edilen güncel gerçek zamanlı veri kümeleri üzerinde test edilmiştir. Nümerik tahmin için geliştirilen modelin kök ortalama kare hatası 13.169 iken Direkt Kapitalizasyon için 359,69 bulunmuştur. Kategorik tahmin için kesinlik ve KAPPA metrikleri kullanılmıştır. Modelin KAPPA sayısı %81 ve kesinlik değeri %88’dir.

Abstract

The machine learning approaches are used in different domains for price prediction. Real estate price prediction comes to fore in recent years. However, most of the studies focus on the prediction performance and the factors affecting the price are often ignored. In this study, a C4.5 – CART model to predict the residential real estate prices is developed. This model is capable of predicting both numeric and categorical price for real estate properties. In addition, the factors affecting the price are reveled and analyzed in detail. The performance of the developed model is compared to Direct Capitalization model, which is used as a gold standard in the domain. Both models are tested on a dataset that includes updated real time data that is gathered by a web scraper. For numeric prediction, RMSE of the developed model is 13.169 and 358.69 for the Direct Capitalization model. KAPPA and accuracy is used for the categorical prediction. The model has 81% KAPPA and 88% accuracy.

🔖

Bu Makaleye Atıf Yap

YÜCEBAŞ, S., DOĞAN, M., GENÇ, L. (2022). Gayrimenkul Fiyat Tahmini ve Alttaki Özelliklerin Analizi İçin C4.5 – CART Karar Ağacı Modeli. Konya Journal of Engineering Sciences, Cilt: 10 Sayı: 1, 147–161. https://ajindex.com/articles/909018

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (6)

  1. Abidoye, R.B., Chan, A.P.C., 2017, “Modelling property values in Nigeria using artificial neural network”, Journal of Property Research, vol. 34, no. 1, pp. 36-53. doi: 10.1080/09599916.2017.1286366 Adetiloye, K.A., Eke, P.D., 2014, “A Review of Real Estate Valuation And Optimal Pricing Techniques”, Asian Economic and Financial Review, vol. 4, no. 12, pp. 1878-1893. doi: https://doi.org/10.1108/JERER-08-2018-0035
  2. Afonso, B.K.A., Melo, L.C., Oliveira1, W.D.G., Sousa, S.B.S., Berton, L., 2019, “Housing Prices Prediction with a Deep Learning and Random Forest Ensemble”, web adresi: https://www.researchgate.net/publication/335527230_Housing_Prices_Prediction_with_a_Deep_Learning_and_Random_Forest_Ensemble, Ziyaret Tarihi: 20.12.20201 Armstrong, S., Collopy, F., 1992, “Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons”, International Journal of Forecasting, vol.8, no.1, pp. 69-80, 1992. https://doi.org/10.1016/0169-2070 (92)90008-W Arslan, A., 2016, “Kentsel Alanlarda Taşınmaz Değerlemesi”, Yüksek Lisans Tezi, Balıkesir Üniversitesi,
  3. Fen Bilimleri Enstitüsü, Balıkesir Breiman, L., 2001, “Random Forests”, Machine Learning, vol. 45, pp. 5–32
  4. Breiman, L., Friedman, J., Stone, C.J., Olshen, R.A., 1984, “Classification And Regression Trees”, 1st ed., Brooks/Cole Publishing, Monterey, CA, USA. He, H.M., Chen, Y., Xiao, J.Y., Chen, X.Q. Lee, Z.J., 2021, “Data Analysis on the Influencing Factors of the Real Estate Price”, Artificial Intelligence Evolution [Internet]. 2021Sep.10 [cited 2021Dec.23]; 2(2):52-66. Available from: https://ojs.wiserpub.com/index.php/AIE/article/view/966
  5. Hong, J., Choi, H., Kim, W., 2020, “A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea”, International Journal of Strategic Property Management, vol. 24, no. 3, pp 140-152. https://doi.org/10.3846/ijspm.2020.11544 Khalafallah,A., 2008, "Neural network based model for predicting housing market performance", Tsinghua Science and Technology, vol. 13, no. S1, pp. 325-328. doi: 10.1016/S1007-0214(08)70169-X Levantesi, S., Piscopo, G., 2020, “The Importance of Economic Variables on London Real Estate Market: A Random Forest Approach”, Risks, vol. 8, pp. 112. https://doi.org/10.3390/risks8040112
  6. Li, L., Chu, K., “Prediction of Real Estate Price Variation Based on Economic Parameters”, 2017 International Conference on Applied System Innovation (ICASI), Sapporo, Japan, 87-90, 2020. doi: 10.1109/ICASI.2017