FİYAT TAHMİNLEMESİNDE MAKİNE ÖĞRENMESİ TEKNİKLERİ VE DOĞRUSAL REGRESYON YÖNTEMLERİNİN KIYASLANMASI; TÜRKİYE’DE SATILAN İKİNCİ EL ARAÇ FİYATLARININ TAHMİNLENMESİNE YÖNELİK BİR VAKA ÇALIŞMASI

İkinci el araç alım satım piyasası dünyada olduğu gibi Türkiye’de de çok hareketli ve kayda değerbüyüklükte bir pazardır. Satıcılar araçları için alabilecekleri maksimum fiyatı ararken alıcılar olabildiğikadar düşük fiyata maksimum kalitede bir araç almak için uğraşırlar. Ancak söz konusu araçların alımsatımı esnasında çeşitli problemler olabilmekte ve belirli bir araç için bayi düzeyinde dahi standart birfiyatlandırma politikası uygulanamamaktadır. Bu çalışmada bu problemi çözmek adına ikinci el bir araçiçin fiyatlandırma politikası oluşturup oluşturulamayacağı araştırılmıştır, bu kapsamda gerçek verilertoplanarak istatistiksel ve yapay zekâ tabanlı yöntemlerle tahmin modelleri oluşturulmuştur. Yapayzekânın alt dallarından bir tanesi olarak düşünebileceğimiz makine öğrenmesi teknikleri doğal dilişleme, metin madenciliği, görüntü işleme gibi çok kompleks problemlerin yanı sıra regresyonproblemlerinde de doğrusal regresyon gibi klasik yöntemlere göre daha başarılı sonuçlar vermektedir.Bu noktadan hareketle bu çalışma da ikinci el araç satışlarındaki fiyatlandırma sisteminin standardizeedilebilmesi için Yapay Sinir Ağları, Destek Vektör Makineleri ve Doğrusal Regresyon yöntemleriuygulanmış ve kullanılan metotlar sıkça tercih edilen çeşitli değerlendirme açısından kıyaslanmıştır.Çalışmanın bulgularına göre makine öğrenmesi teknikleriyle ikinci el araç alım satımında birfiyatlandırma standardizasyonu yapabilmek mümkündür ve söz konusu makine öğrenme teknikleridoğrusal regresyon gibi klasik yöntemlere göre daha başarılı sonuçlar vermektedir.

A Comparative Study of Machine Learning and Linear Regression in Prediction of Pricing: A Case Study of Used Cars Price Prediction in Turkey

Used cars market is very buoyant in the World as well as in the Turkey and has a significant size. While sellers are looking for the maximum price for their vehicles, buyers are willing to buy a good quality vehicle with a minimum price. However, during the trading process various problems might occurred and even dealer might not have standard pricing policy for a specific vehicle. In this study, it is focused on whether a pricing policy for a used car can be created or not, collected real data, and applied methods based on statistics and artificial intelligence. As a subbranch of artificial intelligence, In addition to Machine learning’s success in complex problems such as natural language processing, text mining, image processing, it can also outperforms classical methods such as linear regression to solve regression problems. From this point, during this study Artificial Neural Networks, Support Vector Machines and Linear Regression methods are used and compared with the aim of standardizing used cars pricing. Based on the findings, it is possible to standardize used cars pricing with machine learning methods and chosen methods gives better results than classic linear regression method.

PDF

___

Aggarwal, C. C., & Zhai, C. (2012). Mining text data. Springer Science & Business Media.
Ahmed, N. K., Atiya, A. F., Gayar, N. El, & El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5–6), 594–621.
Berry, M. W., & Castellanos, M. (2004). Survey of text mining. Computing Reviews, 45(9), 548.
Cao, L.-J., & Tay, F. E. H. (2003). Support vector machine with adaptive parameters in financial time series forecasting. IEEE Transactions on Neural Networks, 14(6), 1506–1518.
Chan, T.-H., Jia, K., Gao, S., Lu, J., Zeng, Z., & Ma, Y. (2015). PCANet: A simple deep learning baseline for image classification? IEEE Transactions on Image Processing, 24(12), 5017–5032.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Daştan, H. (2016). TÜRKİYE’DE İKİNCİ EL OTOMOBİL FİYATLARINI ETKİLEYEN FAKTÖRLERİN HEDONİK FİYAT MODELİ İLE BELİRLENMESİ. İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(1), 303–327.
Ecer, F. (2013). Türkiye’de 2. El otomobil fiyatlarının tahmini ve fiyat belirleyicilerinin tespiti.
Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(1), 100–108.
Jain, A. K., & Dubes, R. C. (1988). Algorithms for clustering data.
Jurafsky, D. (2000). Speech and language processing: An introduction to natural language processing. Computational Linguistics, and Speech Recognition.
Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160, 3–24.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436.
Manning, C. D., Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. MIT press.
Manning, C., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S., & McClosky, D. (2014). The Stanford CoreNLP natural language processing toolkit. In Proceedings of 52nd annual meeting of the association for computational linguistics: system demonstrations (pp. 55–60).
Nasrabadi, N. M. (2007). Pattern recognition and machine learning. Journal of Electronic Imaging, 16(4), 49901.
Neter, J., Wasserman, W., & Kutner, M. H. (1989). Applied linear regression models.
Özçalıcı, M. (2017). Veri Madenciliğinde Birliktelik Kuralları ve İkinci El Otomobil Piyasası Üzerine Bir Uygulama. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 7(1), 45–58.
Rokach, L., & Maimon, O. Z. (2008). Data mining with decision trees: theory and applications (Vol. 69). World scientific.
Steinbach, M., Karypis, G., & Kumar, V. (2000). A comparison of document clustering techniques. In KDD workshop on text mining (Vol. 400, pp. 525–526). Boston.
Tan, A.-H. (1999). Text mining: The state of the art and the challenges. In Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced Databases (Vol. 8, pp. 65–70). sn.
Wan, J., Wang, D., Hoi, S. C. H., Wu, P., Zhu, J., Zhang, Y., & Li, J. (2014). Deep learning for contentbased image retrieval: A comprehensive study. In Proceedings of the 22nd ACM international conference on Multimedia (pp. 157–166). ACM.
Wang, N., & Yeung, D.-Y. (2013). Learning a deep compact image representation for visual tracking. In Advances in neural information processing systems (pp. 809–817).