Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana

Terán Suárez, Mariela Victoria; Panduro Del Castillo, Mardeli Beatriz; Chire Hernandez, Emelson Alex

Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana

dc.contributor.advisor	Ospina Galindez, Johann Alexis
dc.contributor.author	Terán Suárez, Mariela Victoria
dc.contributor.author	Panduro Del Castillo, Mardeli Beatriz
dc.contributor.author	Chire Hernandez, Emelson Alex
dc.date.accessioned	2025-09-19T17:01:36Z
dc.date.available	2025-09-19T17:01:36Z
dc.date.issued	2025-04-22
dc.description.abstract	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.
dc.description.escuela	Escuela de Posgrado
dc.description.lineadeinvestigacion	Inteligencia de negocios
dc.description.sede	Lima
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12840/9179
dc.language.iso	spa
dc.publisher	Universidad Peruana Unión
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Machine Learning
dc.subject	Predicción de precios
dc.subject	Alquiler de viviendas
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#2.02.04
dc.title	Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana
dc.type	info:eu-repo/semantics/masterThesis
renati.advisor.dni	94539736
renati.advisor.orcid	https://orcid.org/0000-0001-7395-7952
renati.author.dni	70016206
renati.author.dni	10173432
renati.author.dni	73241607
renati.discipline	612467
renati.juror	López Gonzales, Javier Linkolk
renati.juror	Pacheco Espinoza, Junior Israel
renati.juror	Alvizuri Llerena, Geraldine Verónica
renati.level	https://purl.org/pe-repo/renati/level#maestro
renati.type	http://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Maestría En Ingeniería De Sistemas Con Mención En Dirección Y Gestión De Tecnologías De Información
thesis.degree.grantor	Universidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.name	Maestro En Ingeniería De Sistemas Con Mención En Dirección Y Gestión De Tecnologías De Información