Alan Adı Değerlemesi için Makine Öğrenmesi Tabanlı Bir Karar Destek Modeli

Alan adları dijital ekonomide işletmelerin çevrim içi kimliğini, görünürlüğünü ve yatırım potansiyelini etkileyen önemli dijital varlıklardır. Buna karşın alan adı değerlemesi çoğu zaman sezgisel değerlendirmelere dayanmaktadır. Bu çalışmada alan adı değerlemesine yönelik makine öğrenmesi tabanlı bir karar destek modeli geliştirilmiştir. Araştırmada Domain Auction Sales History (DASH) veri seti kullanılmış; alan adlarından yapısal ve dilsel öznitelikler türetilmiştir. Modelleme sürecinde veri sızıntısı riskini azaltmak amacıyla eğitim ve test kümeleri aynı ikinci seviye alan adlarının kümeler arasında paylaşılmasını engelleyecek şekilde oluşturulmuştur. Modelleme sürecinde Lojistik Regresyon, doğrusal ve RBF çekirdekli Destek Vektör Makineleri, Karar Ağacı, Rastgele Orman, Gradient Boosting, LightGBM, K-En Yakın Komşu, Naive Bayes ve XGBoost algoritmaları karşılaştırılmıştır. Sınıf dengesizliğinin etkisini değerlendirmek amacıyla undersampling ve SMOTE tabanlı örnekleme yöntemleri uygulanmış; modeller 100, 250 ve 500 ABD doları eşik değerleri ile 0,4 ve 0,5 karar eşikleri altında analiz edilmiştir. Performans değerlendirmesinde doğruluk, macro-F1, dengelenmiş doğruluk, ROC-AUC ve PR-AUC ölçütleri kullanılmıştır. Bulgular XGBoost modelinin 100, 250 ve 500 ABD doları eşik değerlerinde genel olarak en güçlü ve tutarlı sonuçları ürettiğini göstermektedir. Ayrıca LightGBM ve SVM (RBF) modelleri, özellikle orta ve yüksek fiyat segmentlerinde güçlü alternatifler olarak dikkat çekmiştir. Çalışma, özellikle süresi dolmuş alan adlarının yer aldığı geniş listeler içinden potansiyel olarak değerli alan adlarının önceliklendirilmesinde alan adı yatırımcılarına uygulanabilir bir karar destek yaklaşımı sunmakta; aynı zamanda dijital varlıkların nesnel ve yeniden üretilebilir ölçütlerle değerlendirilmesine katkı sağlamaktadır.