Using Machine Learning Classification Algorithms in Forecasting Housing Prices: The Case of Kutahya City Center

Yıl 2023, Sayı: 76, 221 - 237, 27.04.2023

Hasan Arda Burhan

https://doi.org/10.51290/dpusbe.1249461

Öz

The increasing urbanization and rapid economic development have led to growing housing markets. This has resulted in a rising demand for housing due to migration towards cities and the acceptance of housing as both an investment and a wealth protection tool. On the other hand, housing prices are affected by many factors, thereby studies on housing price forecasts are carried out within the scope of different models and various methods. In line with the significant importance of housing markets as one of Turkey's economic growth tools, this study includes the forecast of the classification of 4-bedroom (3+1) housing prices in the central district of Kütahya province. The dataset used includes various criteria that affect housing prices, and different machine learning classification algorithms that are utilized. As a result, it is seen that the accuracy rates of the k-Nearest Neighbor (k-NN), Decision Trees (DT) and Random Forest (RF) algorithms were above 60%. As the main performance criterion, the AUC scores yielded that the most successful classification forecast is acquired by the RF algorithm, which is followed by the k-NN. In the context of the variables and data set included in this study, it was seen that successful outcomes in the classification forecasts of 4-bedroom apartments’ housing prices in the city center of Kütahya were obtained by these two methods.

Anahtar Kelimeler

Housing prices, machine learning, decision trees, random forest, Kutahya

Konut Fiyatları Tahmininde Makine Öğrenmesi Sınıflandırma Algoritmalarının Kullanılması: Kütahya Kent Merkezi Örneği

Öz

Artan şehirleşme ve hızlı ekonomik gelişmeler konut piyasalarının büyümesine neden olmakta; bu bağlamda hem kentlere doğru göçün bir sonucu, hem de konutların yatırım ve servet koruma araçları olarak görülmeleri nedeniyle konut talebi de zaman içinde yükselmektedir. Öte yandan konut fiyatları birçok faktörden etkilenmekte olup, literatürde bunları içeren farklı modeller ve çeşitli yöntemler dâhilinde konut fiyat tahmin çalışmaları yapılmaktadır. Konut piyasalarının Türkiye’nin ekonomik büyüme araçlarından biri olarak taşıdığı öneme paralel olarak bu çalışmada Kütahya ili merkez ilçesinde hanehalkının büyük çoğunlukla ikamet ettiği 4 odalı (3+1) konut fiyatlarının sınıflandırma tahmini, konut fiyatlarını etkileyen çeşitli kriterler ve bunlara ilişkin verilerin yer aldığı bir modelin farklı makine öğrenmesi sınıflandırma algoritmalarında çalıştırılmasıyla gerçekleştirilmiştir. Analiz sonucunda Naive Bayes (NB) yöntemi dışındaki k-En Yakın Komşu (k-EYK), Karar Ağaçları (KA) ve Rastgele Orman (RO) algoritmaların doğruluk oranlarının %60 üzerinde olduğu, temel performans ölçütü olan AUC skorlarına göre ise en başarılı tahmin yönteminin RO ve bunu takiben k-EYK olduğu görüşmüştür. Sonuç olarak ele alınan değişkenler ve veri seti bağlamında söz konusu iki yöntemin Kütahya ili kent merkezindeki 4 odalı dairelerin konut fiyatlarının tahmininde başarılı sonuç verdiği görülmüştür.

Anahtar Kelimeler

Konut fiyatları, makine öğrenmesi, karar ağaçları, rastgele orman, Kütahya

Kaynakça

• Acar, T. (2020). Determining housing prices using the semiparametric estimation within the hedonic price model framework: Case study of istanbul housing market example. Ekonomi, Politika & Finans Araştırmaları Dergisi, 5(3), 561-575.
• Adetunji, A. B., Akande, O. N., Ajala, F. A., Oyewo, O., Akande, Y. F., & Oluwadara, G. (2022). House price prediction using random forest machine learning technique. Procedia Computer Science, 199, 806-813.
• Akay, Ö., Çelik, C., ve Kıral, G. (2019). Konut talebine göre benzer özellik gösteren Türkiye illerinin panel veri kümeleme analizi ile belirlenmesi. Uluslararası Ekonomi ve Yenilik Dergisi, 5(2), 231-245.
• Alfiyatin, A. N. (2017). Modeling house price prediction using regression analysis and particle swarm optimization case study: Malang, east java, indonesia. International Journal of Advanced Computer Science and Applications, 8(10), 323-326.
• Ali, N., Neagu, D., & Trundle, P. (2019). Evaluation of k nearest neighbour classifer performance for heterogeneous data sets. SN Applied Sciences, 1, 1559.
• Alpaydın, E. (2021). Machine learning - revised and updated edition. Cambridge, MA: The MIT Press.
• Altun, Ö. (2022). Yapay zekâ yöntemleriyle hazine taşınmazlarının değerlemesi: Yapay sinir ağları ile kamu konutları üzerine bir uygulama. Türkiye Arazi Yönetimi Dergisi, 4(2), 62-73.
• Amr, T. (2020). Hands-on machine learning with scikit-learn and scientific python toolkits. Birmingham: Packt Publishing Ltd.
• Aydemir, E., Aktürk, C., ve Yalçınkaya, M. A. (2020). Yapay zekâ ile konut fiyatlarının tahmin edilmesi. Turkish Studies-Information Technologies and Applied Sciences, 15(2), 183-194.
• Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32.
• Brownlee, J. (2017). Master machine learning algorithms. Erişim Adresi: https://machinelearningmastery.com/master-machine-learning-algorithms/.
• Cabrera, J., Wang, T., & Yang, J. (2011). Linear and nonlinear predictablity of international securitized real estate returns: A reality check. Journal of Real Estate Research, 33(4), 565–594.
• Case, K. E., Quigley, J. M., & Shiller, R. J. (2005). Comparing wealth effects: The stock market versus the housing market. Advances in Macroeconomics, (5)1, 1-34.
• Chen, J.-H., Ong, C. F., Zheng, L., & Hsu, S.-C. (2017). Forecasting spatial dynamics of the housing market using support vector machine. International Journal of Strategic Property Management, 21(3), 273–283.
• Çaglayan Akay, E., Topal, K. H., Kizilarslan, S., & Bulbul, H. (2019). Forecasting of Turkish housing price index: ARIMA, random forest, ARIMA-random forest. Pressacademia, 10(10), 7-11.
• Doğan, O., Bande, N., Genç, Y., ve Akyön, F. Ç. (2022). Keçiören/Ankara özelinde konut rayiç değerlerinin yapay sinir ağları metodu kullanılarak tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 35, 113-128.
• Embaye, W. T., Zereyesus, Y. A., & Chen, B. (2021). Predicting the rental value of houses in household surveys in tanzania, uganda and malawi: Evaluations of hedonic pricing and machine learning approaches. Plos One,, 16(2), e0244953.
• Erkek, M., Çayırlı, K., & Hepşen, A. (2020). Predicting house prices in turkey by using machine learning algorithms. Journal of Statistical and Econometric Methods, 9(4), 31-38.
• Fu, T. (2018). Forecasting second-hand housing price using artificial intelligence and machine learning techniques. 8th international conference on mechatronics,computer and education informationization (MCEI 2018) (s. 269-273). Shenyang: Atlantis Press.
• Géron, A. (2019). Hands-on machine learning with scikit-learn, keras, and tensorflow. Sebastopol, CA: O’Reilly Media, Inc.
• Gu, J., Zhu, M., & Jiang, L. (2011). Housing price forecasting based on genetic algorithm and support vector machine. Expert Systems with Applications, 38(4), 3383–3386.
• Ho, W. K., Tang, B.-S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48–70.
• Huang, Y. (2019). Predicting home value in california, united states via machine learning modeling. Statistics, Optimization & Information Computing, 7(1), 66–74.
• İslamoğlu, B., ve Nazlıoğlu, Ş. (2019). Enflasyon ve konut fiyatları: İstanbul, ankara ve izmir için panel veri analizi. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 7(1), 93-99.
• Jang, J., Seo, M., & Kim, C. O. (2020). Support weighted ensemble model for open set recognition of wafer map defects. IEEE Transactions on Semiconductor Manufacturing, 33(4), 635-643.
• Kamal, N., Chaturvedi, E., Gautam, S., & Bhalla, S. (2020). House price prediction using machine learning. Emerging Technologies in Data Mining and Information Security - Proceedings of IEMIS 2020, Volume 3 (s. 799-811). Kolkata: Springer.
• Kangallı Uyar, S. G., ve Yayla, N. (2016). Konut fiyatlarının hedonik fiyatlama yaklaşımına göre mekânsal ekonometrik modeller ile tahmini: İstanbul konut piyasası örneği. Social Sciences, 11(4), 26-342.
• Kayakuş, M., Terzioğlu, M., & Yetiz, F. (2022). Forecasting housing prices in Turkey by machine learning methods. Aestimum, 80, 33-44.
• Korkmaz, Ö. (2019). The relationship between housing prices and inflation rate in Turkey: Evidence from panel Konya causality test. International Journal of Housing Markets and Analysis, 13(3), 427-452.
• Kouwenberg, R., & Zwinkels, R. (2014). Forecasting the us housing market. International Journal of Forecasting, 30(3), 415–425.
• Lancaster, K. J. (1966). A new approach to consumer theory. Journal of Political Economy, 132-157.
• Li, D.-Y., Xu, W., Zhao, H., & Chen, R.-Q. (2009). A SVR based forecasting approach for real estate price prediction. International Conference on Machine Learning and Cybernetics (s. 970–974). Baoding: IEEE.
• Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674-2703.
• Liu, L., & Wu, L. (2020). Predicting housing prices in china based on modified Holt’s exponential smoothing incorporating whale optimization algorithm. Socio-Economic Planning Sciences, 72, 100916.
• McQueen, R. J., Gamer, S. R., Nevill-Manning, C. G., & Witten, I. H. (1995). Applying machine learning to agricultural data. Computers and Electronics in Agriculture, 12, 275-293.
• Milunovich, G. (2020). Forecasting Australia's real house price index: A comparison of time series and machine learning methods. Journal of Forecasting, 39, 1098-1118.
• Monika, R., Nithyasree, J., Valarmathi, V., Hemalakshmi, G. R., & Prakash N. B. (2021). House price forecasting using machine learning methods. Turkish Journal of Computer and Mathematics Education, 12(11), 3624-3232.
• Mucherino, A., Papajorgji, P. J., & Pardalos, P. M. (2009). K-nearest neighbor classification. A. Mucherino, P. J. Papajorgji, & P. M. (Ed.) Data mining in agriculture içinde (ss. 83-106). New York: Springer.
• Murphy, K. P. (2012). Machine learning: a probabilistic perspective. Cambridge: MIT Press.
• Müller, A. C., & Guido, S. (2017). Introduction to machine learning with python - a guide for data scientists. Sebastopol, CA: O’Reilly Media, Inc.
• Nellore, S. B. (2015). Various performance measures in binary classification-an overview of ROC study. International Journal of Innovative Science, 2(9), 596-605.
• Özdemir, M., Yıldız, K., & Büyüktanır, B. (2022). Housing price estimation with deep learning: A case study of sakarya turkey. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9(1), 138-151.
• Özen, K. (2022). Konut fiyatları üzerinde etkili olan sosyo ekonomik unsurların hedonik fiyat modeliyle araştırılması: Panel veri analizi. Ağrı İbrahim Çeçen Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(2), 503-522.
• Özgüler, İ. C., Büyükkara, G., Z., & Küçüközmen, C. C. (2022). Discovering the fundamentals of turkish housing market: A price convergence framework. International Journal of Housing Markets and Analysis, 16(1), 116-145.
• Pai, P.-F., & Wang, W.-C. (2020). Using machine learning models and actual transaction data for predicting real estate prices. Applied Sciences, 10(17), 5832.
• Pajankar, A., & Joshi, A. (2022). Hands-on machine learning with python - ımplement neural network solutions with scikit-learn and pytorch. New York, NY: Apress.
• Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222.
• Park, B., & Bae, J. K. (2015). Using machine learning algorithms for housing price prediction: The case of fairfax county, virginia housing data. Expert Systems with Applications, 42(6), 2928–2934.
• Patel, B. R., & Rana, K. K. (2014). A survey on decision tree algorithm for classification. International Journal of Engineering Development and Research, 2(1), 1-5.
• Plakandaras, V., Gupta, R., Gogas, P., & Papadimitriou, T. (2015). Forecasting the U.S. real house price index. Economic Modelling, 45, 259–267.
• Rafiei, M. H., & Adeli, H. (2016). A novel machine learning model for estimation of sale prices of real estate units. Journal of Construction Engineering and Management, 142(2), 04015066.
• Rahadi, R. A., Wiryono, S., Koesrindartoto, D., & Syamwil, I. B. (2015). Factors influencing the price of housing in Indonesia. International Journal of Housing Markets and Analysis, 8(2), 169-188.
• Raschka, S., Liu, Y. & Mirjalili, V. (2022). Machine learning with pytorch and scikit-learn - develop machine learning and deep learning models with python. Birmingham: Packt Publishing Ltd.
• Rawool, A. G., Rogye, D. V., Rane, S. G., & Bharadi, V. A. (2021). House price prediction using machine learning. Iconic Research and Engineering Journals, 4(11), 29-33.
• Rico-Juan, J. R., & de La Paz, P. T. (2021). Machine learning with explainability or spatial hedonics tools? an analysis of the asking prices in the housing market in alicante, spain . Expert Systems with Applications, 171, 114590.
• Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104.
• Safari, S. A., Elfil, M., & Negida, A. (2016). Evidence based emergency medicine; part 5 receiver operating curve and area under the curve. Emergency, 4(2), 111-113.
• Sağlam, C., ve Abdioğlu, Z. (2020). Türkiye’de tüketici fiyatları ile hedonik konut fiyatları arasındaki ilişki: Panel veri analizi. Yaşar Üniversitesi E-Dergisi, 15(57), 117-128.
• Saleh, H. (2020). The machine learning workshop. Birmingham: Packt Publishing Ltd.
• Savaş, B. (2019). Makine öğrenme algoritmalarının konut değer tahmininde kullanımı: Ankara gölbaşı uygulaması. [Yayımlanmamış yüksek lisans tezi]. Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya.
• Selçi, B. Y. (2021). Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi. Ekoist: Journal of Econometrics and Statistics, (35), 19-32.
• Sevinç, V. (2022). Determining the flat sales prices by fat characteristics using bayesian network models. Computational Economics, 59, 549-577.
• TCMB. (2022a, Kasım). Konut Fiyat Endeksi - Kasım 2022. Erişim Adresi: https://www.tcmb.gov.tr/wps/wcm/connect/tr/tcmb+tr/main+menu/istatistikler/reel+sektor+istatistikleri/konut+fiyat+endeksi.
• TCMB. (2022b). Konut Fiyat Endeksi - TR33. Erişim Adresi: https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket/collapse_26/5949/DataGroup/turkish/bie_hkfe/.
• TCMB. (2022c). Konut Fiyat Endeksi - Yıllık Yüzde Değişim. Erişim Adresi: https://evds2.tcmb.gov.tr/index.php?/evds/dashboard/310.
• Thamarai, M., & Malarvizhi, S. P. (2020). House price prediction modeling using machine learning. I.J. Information Engineering and Electronic Business, 2, 15-20.
• TÜİK. (2021a). İstatistiklerle Aile. Erişim Adresi: https://data.tuik.gov.tr/Bulten/Index?p=Istatistiklerle-Aile-2021-45632.
• TÜİK. (2021b). Bina ve Konut Nitelikleri Araştırması. Erişim Adresi: https://data.tuik.gov.tr/Bulten/Index?p=Bina-ve-Konut-Nitelikleri-Arastirmasi-2021-45870.
• TÜİK. (2022a). Adrese Dayalı Nüfus Kayıt Sistemi. Erişim Adresi: https://data.tuik.gov.tr/Bulten/Index?p=Adrese-Dayali-Nufus-Kayit-Sistemi-Sonuclari-2022-49685.
• TÜİK. (2022b). Konut Satış İstatistikleri, Kasım 2022 (Rapor No. 45683). Erişim Adresi: https://data.tuik.gov.tr/Bulten/Index?p=Konut-Satis-Istatistikleri-Kasim-2022-45683.
• Uğuz, S. (2021). Makine öğrenmesi - teorik yönleri ve python uygulamaları ile bir yapay zeka ekolü. Ankara: Nobel Akademik Yayıncılık.
• Ulvi, C., ve Özkan, G. (2019). Taşınmaz değerlemede yapay zeka tekniklerinin kullanılabilirliği ve yöntemlerin karşılaştırılması. Geomatik, 4(2) ,134-140.
• Vasquez, C., & Chellamuthu, V. (2021). House price prediction with statistical analysis in support vector machine learning for regression estimation. Curiosity: Interdisciplinary Journal of Research and Innovation, 1(2), 22311.
• Vineeth, N., Ayyappa, M., & Bharathi, B. (2018). House price prediction using machine learning algorithms. International Conference on Soft Computing Systems (s. 425-433). Singapore: Springer.
• Webb, R. I., Yang, J., & Zhang, J. (2016). Price jump risk in the us housing market. The Journal of Real Estate Finance and Economics, 53(1), 29–49.
• Wei, Y., & Cao, Y. (2017). Forecasting house prices using dynamic model averaging approach: Evidence from china. Economic Modelling, 61, 147–155.
• Xu, X., & Zhang, Y. (2021). House price forecasting with neural networks. Intelligent Systems with Applications, 12, 200052.
• Yang, J., Yu, Z., & Deng, Y. (2018). Housing price spillovers in China: A high-dimensional generalized VAR approach. Regional Science and Urban Economics, 68, 98-114.
• Yayar, R., ve Deniz, G. (2014). Mersin kent merkezinde konut piyasası fiyatlarının hedonik tahmini. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 14(3), 87-100.
• Yılmazel, Ö., Afşar, A., ve Yılmazel, S. (2018). Konut fiyat tahmininde yapay sinir ağları yönteminin kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi,, (20), 285-300.
• Zohrabyan, T., Leatham, D. J., & Bessler, D. A. (2008). Cointegration analysis of regional house prices in US. (Report No. 1292-2016-102324). Erişim Adresi: https://ageconsearch.umn.edu/record/48138.