Preços de habitação na Califórnia: uma abordagem para previsões no setor imobiliário

Christian Gianelli da Silva

doi:10.47456/bjpe.v11i1.47469

Autores

Christian Gianelli da Silva Universidade Federal de Ouro Preto Autor https://orcid.org/0009-0007-1473-9673

DOI:

https://doi.org/10.47456/bjpe.v11i1.47469

Palavras-chave:

Machine Learning, Predição de Preços, Setor Imobiliário, Random Forest, Regressão Linear

Resumo

Este artigo apresenta uma análise comparativa de técnicas de aprendizado de máquina aplicadas à previsão de preços no setor imobiliário da Califórnia. Foram investigados os modelos de Regressão Linear Múltipla, Regressão Polinomial, Regressão Robusta (RANSAC) e Floresta Aleatória (Random Forest), sendo cada um avaliado com base em métricas estatísticas como Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Coeficiente de Determinação (R²). O conjunto de dados utilizado foi obtido do repositório StatLib e contém informações sobre características dos imóveis, localização e perfil socioeconômico da população. Os resultados indicam que, apesar da Floresta Aleatória apresentar melhor desempenho preditivo, há indícios de overfitting, sugerindo que um aumento no número de amostras poderia melhorar a generalização do modelo. Por outro lado, os modelos de Regressão Linear e Regressão Polinomial demonstraram maior estabilidade e capacidade de generalização, ainda que com leve perda de precisão. Este estudo contribui para a compreensão da aplicabilidade dessas técnicas na modelagem de preços imobiliários e discute os impactos do tamanho da amostra na acurácia dos modelos.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Christian Gianelli da Silva, Universidade Federal de Ouro Preto

Atuou como Pesquisador Bolsista IEL e FAPESC modalidade DTIB em projeto de desenvolvimento tecnológico industrial para produção de novos resistores automotivos. Possui Pós-Graduação em Metrologia aplicada a qualidade industrial, Pós-Graduação em Indústria 4.0, Pós-Graduação em Engenharia da Qualidade aplicada a gestão de pessoas, Engenheiro de Segurança do Trabalho e MBA Global Business Administration and Management, General realizado em Madrid na Espanha. Participou de um projeto para análise da atmosfera em ambientes industriais (AMBIOSFERA) em Portugal. Mestrado em Pesquisa Operacional do Instituto Tecnológico de Aeronáutica (ITA, 2021) e Mestrado também em Pesquisa Operacional pela Universidade Federal de São Paulo (UNIFESP, 2021). É graduado em Engenharia de Controle e Automação pela Faculdade (FPI, 2018), Técnico em Mecânica pelo (SENAI, 2010) e Aprendizagem Industrial pelo SENAI. Adquiriu experiência de 7 anos na área de Robótica, Mecatrônica e Automação industrial com passagem pelas principais multinacionais em fabricação de aço ( Arcelor Mittal e Usiminas ). Além disso, realizou intercâmbio como Engineer Global Volunteer no país do Paraguai e Argentina onde desenvolveu habilidades de Impressão 3D e Eletrônica.Tem interesse na área de Otimização aplicadas a Indústria 4.0. http://lattes.cnpq.br/2924540172423849

Referências

Barr, J., Ellis, E., Kassab, A., Redfearn, C., Srinivasan, N., & Voris, K. (2015). Home price index: A machine learning methodology. International Journal of Semantic Computing, 11(1), 111-133. https://doi.org/10.1142/S1793351X17500015

Breiman, L. (2001). Random forests. Machine Learning,45(1), 532. https://doi.org/10.1023/A:1010933404324

Ceh, M., Kilibarda, M., Lisec, A., & Bajat, B. (2018). Estimating the performance of random forest versus multiple regression for predicting prices of the apartments. International Journal of Geo-Information, 7(5), 168. https://doi.org/10.3390/ijgi7050168

Ferreira, S. F. & Filho, R. (2010). Aplicação do método de preços hedônicos na precificação de atributos raros de peças filatélicas e construção de carteiras eficientes. Estudos Econômicos, 40(2), 469-498. https://doi.org/10.1590/S0101-41612010000200008

Geron, A. (2019). Mãos à obra: Aprendizado de máquina com Scikit-Learn e TensorFlow (1ª ed.). Alta Books.

Ho, K., Tang, B., & Wong, S. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48-70. https://doi.org/10.1080/09599916.2020.1832558.

Hong, J., Choi, H., & Kim, W. (2020). A house price valuation based on the random forest approach: The mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, 24(3), 140-152. https://doi.org/10.3846/ijspm.2020.11544

Lancaster, K. J. (1966). A new approach to consumer theory. Journal of Political Economy, 74(2), 132-157. https://doi.org/10.1086/259131

Mitchell, T. (1997). Machine Learning. McGraw-Hill.

Moita Neto, J. M. (2004). Introdução à análise multivariada para as ciências sociais. Editora UFRN.

Park, B. & Bae, J. (2015). Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data. Expert Systems with Applications, 42(1), 292-303. https://doi.org/10.1016/j.eswa.2014.11.040

S-PLUS (1998). Guide to statistical and mathematical analysis. Insightful Corporation.

Yilmazer, S. & Kocaman, S. (2020). A mass appraisal assessment study using machine learning based on multiple regression and random forest. Land Use Policy,99, 104889. https://doi.org/10.1016/j.landusepol.2020.104889