Predicción de los precios de vivienda en la ciudad de Medellín y el Área Metropolitana

Abstract

La estimación precisa del precio de un inmueble es una actividad que tradicionalmente ha sido compleja, debido al alto número de variables que intervienen en este valor. Históricamente se ha empleado un método simple basado en la comparación con propiedades similares, localizadas aproximadamente en la misma área de mercado. Sin embargo, los avances tecnológicos han originado nuevas técnicas para resolver este tipo de problemática, por ejemplo, la aplicación de métodos de aprendizaje automático que consideran mayor número de variables para una estimación más precisa del valor de venta de los inmuebles. En este documento se presenta el desarrollo e implementación de algoritmos de Machine Learning para la predicción del precio de venta de viviendas en la ciudad de Medellín y el Área Metropolitana. Los datos utilizados corresponden a anuncios de ventas de inmuebles publicadas en el portal inmobiliario Properati, a partir de los cuales se realizó el análisis de los datos y se aplicaron diferentes técnicas de aprendizaje automático, entre ellos: regresión lineal, árboles de decisión, Random Forest, k vecinos más cercanos y Extreme Gradient Boosting (XGBoost) para la regresión. Como medidas de desempeño para la evaluación de los modelos, se utilizaron el error porcentual absoluto medio (MAPE), el error medio absoluto (MAE) y el coeficiente de determinación R2 y así determinar el modelo con menor margen de error y mayor precisión en la estimación. Se obtuvieron mejores resultados con el modelo Random Forest, con un R2 de 0,81 y un MAPE de 14,3%. Los resultados de este documento pueden ser utilizados por todas las personas con el interés de vender y comprar vivienda en la ciudad, y también por los portales inmobiliarios o autoridades fiscales para una mejor estimación del valor de venta de los inmuebles.