Políticas   Declaración de Budapest  

5.Ingeniería

URI permanente para esta comunidad

http://repositorio.upeu.edu.pe/handle/20.500.12840/18

Examinar

Examinando 5.Ingeniería por Autor "Chire Hernandez, Emelson Alex"

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    Ítem
    Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana
    (Universidad Peruana Unión, 2025-04-22) Terán Suárez, Mariela Victoria; Panduro Del Castillo, Mardeli Beatriz; Chire Hernandez, Emelson Alex; Ospina Galindez, Johann Alexis
    El presente estudio abordó el desarrollo de un modelo de Machine Learning para la estimación de precios de alquiler de viviendas en Lima Metropolitana, Perú, utilizando datos obtenidos mediante Web Scraping. Se integraron variables clave como ubicación, metraje, número de habitaciones y baños, y precio, aplicando técnicas de procesamiento, limpieza y estructuración de datos para garantizar su calidad antes del modelado predictivo. Se implementaron y compararon distintos algoritmos de Machine Learning, incluyendo Random Forest, Gradient Boosting, Support Vector Regression (SVR) y modelos de ensamble como Voting y Stacking Regressor. La evaluación de los modelos se llevó a cabo utilizando métricas como el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y el Coeficiente de Determinación (R²). Los resultados indicaron que el Voting Regressor obtuvo el mejor desempeño predictivo, superando a los modelos individuales y al Stacking Regressor. El análisis de los residuos reveló que, aunque el modelo capturó la tendencia general de los precios de alquiler, presentó mayores errores en valores elevados, sugiriendo la presencia de outliers y la necesidad de transformaciones en los datos. Además, la curva de aprendizaje evidenció que el modelo mejoró su precisión con más datos, aunque aún existía margen de optimización. En conclusión, el Voting Regressor se consolidó como la mejor alternativa predictiva, destacando la influencia de la ubicación y el metraje como variables determinantes en los precios de alquiler. Futuras investigaciones podrían enfocarse en el uso de XGBoost, redes neuronales y estrategias avanzadas de ajuste de hiperparámetros para mejorar la precisión del modelo y su aplicabilidad en el mercado inmobiliario.