Basit öğe kaydını göster

dc.contributor.advisorKocaman Gökçeoğlu, Sultan
dc.contributor.authorYılmazer, Seçkin
dc.date.accessioned2022-11-09T08:34:38Z
dc.date.issued2022
dc.date.submitted2022-04-27
dc.identifier.citationColloids and Surfaces B: Biointerfaces, based on Elsevier Style #1tr_TR
dc.identifier.urihttp://hdl.handle.net/11655/27117
dc.description.abstractIn this thesis, the use of machine learning (ML) approaches for the purpose of real estate mass appraisal was investigated using five different methods in a large area considering the efficiency, accuracy, and transparency. The study area was located in the Mamak District of Ankara, the capital city of Turkey. The data used in the thesis were inspected and analysed thoroughly, and thus exhibit high quality and reliability. The applicability of the ML methods in the context of mass appraisal is discussed in terms of the accuracy, reliability, interpretability, and the generalization capability. The results were also compared with the conventional appraisal methods. The results obtained here have shown that the ML-based methods can appraise many real estates together at once and rapidly; and thus, they can be preferred over the conventional valuation methods. Among the methods compared here, the Random Forest (RF) provided the highest prediction performance followed by the Artificial Neural Networks (ANN), Support Vector Machines (SVM), Multiple Regression Analysis (MRA), and Adaptive Neuro-Fuzzy Inference System (ANFIS). The stepwise MRA method, which is a transparent and interpretable linear ML method, was preferred as the conventional approach. Another important outcome was that although the models built with the non-linear ML methods yielded high accuracies, their interpretability was lower and thus usability for the valuation purposes may be questionable. In this thesis, the employed methods are explained and investigated in more detail with the aim of contributing to the mass appraisal context. In addition, recommendations on the real estate valuation system were derived based on the study outcomes together with possible contributions of the methods presented in the field of mass valuation studies to Turkey, which has not yet been institutionalized in the field of real estate valuation.tr_TR
dc.language.isoentr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectHousing pricetr_TR
dc.subjectReal estate valuationtr_TR
dc.subjectMass appraisaltr_TR
dc.subjectMachine learningtr_TR
dc.subjectKonut fiyatıtr_TR
dc.subjectGayrimenkul değerlemetr_TR
dc.subjectToplu değerlemetr_TR
dc.subjectMakine öğrenmesitr_TR
dc.subject.lcshGeomatik mühendisliğitr_TR
dc.titleAssessment of Machine Learning Methods for Mass Real Estate Appraisaltr_TR
dc.title.alternativeMakine Öğrenmesi Yöntemlerinin Toplu Gayrimenkul Değerleme Çalışmaları Açısından Değerlendirilmesitr_TR
dc.typeinfo:eu-repo/semantics/doctoralThesistr_TR
dc.description.ozetBu çalışmada, toplu gayrimenkul değerleme için makine öğrenmesi yöntemlerinin kullanımı, geniş bir sahaya uygulanan 5 yöntemin etkinliği, tahmin doğrulukları, ve şeffaflığı dikkate alınarak incelenmiştir. Çalışma alanı Türkiye'nin başkenti Ankara Kenti Mamak İlçesi içinde yer almaktadır. Bu tezde kullanılan veriler özenle denetlenmiş ve incelenmiştir ve yüksek kaliteye ve güvenilirliğe sahiptir. Öte yandan, toplu değerlendirme çalışmalarında, makine öğrenmesi yöntemlerinin uygulanabilirliği, elde edilen sonuçların klasik yöntemlere göre hassasiyetleri, güvenilirliği, yorumlanabilirliği ve açıklanabilirliği tartışılmıştır. Elde edilen sonuçlar incelendiğinde, makina öğrenmesi tabanlı gayrimenkul değerleme yöntemlerinin, birçok gayrimenkulü aynı anda ve çok daha hızlı bir şekilde değerleyebileceği, bu sayede de geleneksel değerleme yöntemlerine göre tercih edilebileceği anlaşılmıştır. Değerleme çalışmaları kapsamında karşılaştırılan yöntemlerden, Rastgele Orman en yüksek tahmin hassasiyetini elde etmiş olup, diğer yöntemler sırasıyla yapay sinir ağları, destek vektör makinaları, çoklu regresyon analizi ve uyarlanabilir sinirsel (nöron) bulanık çıkarım sistemi olarak yüksek doğruluk sağlamıştır. Karşılaştırmalı çalışmanın bir başka sonucu ise, doğrusal olmayan makine öğrenmesi yöntemlerinin yorumlanabilirlik ve şeffaflık açısından kullanılabilirliğinin tartışılması gerektiğidir. Bu şekilde değerleme çalışmasının amacına göre kullanılabilecek yöntemler tez kapsamında detaylı olarak incelenmiş ve yeni çalışmalara katkı sağlamak amacı ile paylaşılmıştır. Ayrıca toplu değerleme çalışmaları alanında sunulan yöntemlerin gayrimenkul değerleme alanında henüz kurumsallaşmamış olan Türkiye'ye olası katkıları ile örnek bir gayrimenkul değerleme sistemi önerisi geliştirilmiştir.tr_TR
dc.contributor.departmentGeomatik Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2022-11-09T08:34:38Z
dc.fundingYoktr_TR
dc.subtypemaptr_TR


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster