2.png)
Precios de vivienda en California: un enfoque para pronósticos en el sector inmobiliario
- Palabras clave:
- Aprendizaje Automático, Predicción de Precios, Sector Inmobiliario, Bosque Aleatorio, Regresión Lineal
- Resumen
-
Este artículo presenta un análisis comparativo de técnicas de aprendizaje automático aplicadas a la previsión de precios en el sector inmobiliario de California. Se investigaron los modelos de regresión lineal múltiple, regresión polinomial, regresión robusta (RANSAC) y Random Forest, cada uno de los cuales se evaluó en función de métricas estadísticas como el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el coeficiente de determinación (R²). El conjunto de datos utilizado se obtuvo del repositorio StatLib y contiene información sobre las características de la propiedad, la ubicación y el perfil socioeconómico de la población. Los resultados indican que, aunque Random Forest presenta un mejor desempeño predictivo, existen signos de sobreajuste, lo que sugiere que un aumento en el número de muestras podría mejorar la generalización del modelo. Por otro lado, los modelos de Regresión Lineal y Regresión Polinomial demostraron mayor estabilidad y capacidad de generalización, aunque con una ligera pérdida de precisión. Este estudio contribuye a la comprensión de la aplicabilidad de estas técnicas en el modelado de precios inmobiliarios y analiza los impactos del tamaño de la muestra en la precisión del modelo.
- Biografía del autor/a
- Referencias
-
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
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
- Cover Image
-
- Descargas
- Publicado
- 2025-03-17
- Sección
- INVESTIGACIÓN OPERATIVA
- Licencia
-
Derechos de autor 2025 Christian Gianelli da Silva (Autor)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.
