Görüntüleme
22
Taşınmaz değerinin güncel teknolojik yaklaşımlarla objektif olarak belirlenmesi, etkin ve sürdürülebilir taşınmaz yönetim planlaması kapsamında önemli bir role sahiptir. Toplu taşınmaz değerleme, taşınmazların tekil olarak değerlendirilmesi yerine zaman ve maliyet anlamında kayıplarını azaltarak çok sayıda taşınmazı eş zamanlı olarak değerlendirerek değer tespitlerinin yapılması işlemidir. Toplu taşınmaz değerlemede objektif, doğru ve hızlı sonuçlar elde için gelişmiş tahmin yaklaşımları olarak bilinen makine öğrenme tekniklerinin kullanımına başvurulmaktadır. Bu yöntemlerle geliştirilen modeller hem yüksek performans hem de değerleme sürecinde objektiflik sağlamaktadır. Ayrıca bu yöntemler ile değeri etkileyen kriterlerin ve kriterlerin önem düzeylerinin bütüncül biçimde değerlendirilmesi mümkün olmaktadır. Bu çalışmada Çoklu Doğrusal Regresyon (ÇDR), Genelleştirilmiş Doğrusal Model (GDM), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve Rastgele Orman (RO) algoritmaları kullanılarak toplu taşınmaz değerlemedeki model başarıları irdelenmiştir. Veri setleri Konumsal (K), Konumsal Olmayan (KO) ve Konumsal ve Konumsal Olmayan (KKO) olarak 3 gruba ayrılarak modelleme için ayrı ayrı uygulanmıştır. Model performans ölçütleri olarak Ortalama Mutlak Hata (Mean Absolute Error, MAE), Karesel Ortalama Hata (Root Mean Squared Error, RMSE), Ortalama Karesel Hata (Mean Squared Error, MSE) ve R2 hesaplanmıştır. Uygulama alanı olarak seçilen İstanbul ili Pendik ilçesi için örnek taşınmaz satış değerlerini temsil eden 1475 örnekleme noktası kullanılarak, 3 farklı veri seti (K, KO, KKO) ve farklı metotlar ile kurulan modellerin performansları irdelenmiştir. Buna göre en yüksek doğruluktaki yöntemin RO, en düşük doğruluktaki yöntemlerin ise KA ve GDM olduğu görülmüştür. Farklı veri setlerinin model doğruluğuna etkileri irdelendiğinde tek başına K veri seti ile KKO veri setinin kullanımı arasında büyük bir fark görülmemiştir.
The objective determination of real estate values with current technological approaches has an important role in effective and sustainable real estate management plans. Mass appraisal is the process of valuing a large number of real estate simultaneously instead of evaluating the real estate individually for reducing the loss in terms of time and cost. Machine learning methods, known as advanced estimation approaches, are used to obtain more objective, accurate and fast results in mass valuation processes. In addition, besides sufficient objectivity and accuracy in value determination, these methods can evaluate the relations between the value and the criteria affecting the value holistically. In this context, model successes in mass valuation were examined using Multiple Linear Regression (MLR), Generalized Linear Model (GLM), Support Vector Machines (SVM), Decision Trees (DT) and Random Forest (RF) algorithms. The datasets were divided into 3 groups as Geographic (G), Non-Geographic (NG) and Geographic + Non-Geographic (GNG) and applied separately for modeling with different methods. Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Squared Error (MSE) and R2 were calculated for determining the model measures. Pendik district of Istanbul province was chosen as the application area. By applying different methods with 1475 sampling points representing the real estate sales values for the application area, the performances of the models established were examined with 3 different data sets (G, NG, GNG). Accordingly, RF is the method that gives the highest accuracy while DT and GLM were found as the methods with the lowest accuracy. When the effects of different datasets on the model accuracy were examined, big difference was not observed between the use of the G and the GNG datasets.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
