Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning
Este estudio investiga las variaciones y previsibilidad de los precios de alquiler en el sector inmobiliario de Lima. mercado en 2023, utilizando un corpus de 3.675 registros inmobiliarios. A través de estadística descriptiva análisis, se identificaron diferencias significativas en los precios de al...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Monografía o trabajo académico |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2024
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510548901724160 |
|---|---|
| author | Cacñahuaray Huaraca, Jimmy Christian Jiménez Novoa, Silvia Mónica |
| author2 | Ospina Galindez, Johann Alexis |
| author_browse | Cacñahuaray Huaraca, Jimmy Christian Jiménez Novoa, Silvia Mónica Ospina Galindez, Johann Alexis |
| author_facet | Ospina Galindez, Johann Alexis Cacñahuaray Huaraca, Jimmy Christian Jiménez Novoa, Silvia Mónica |
| author_sort | Cacñahuaray Huaraca, Jimmy Christian |
| collection | Repositorio institucional |
| description | Este estudio investiga las variaciones y previsibilidad de los precios de alquiler en el sector inmobiliario de Lima. mercado en 2023, utilizando un corpus de 3.675 registros inmobiliarios. A través de estadística descriptiva análisis, se identificaron diferencias significativas en los precios de alquiler entre distritos, lo que refleja disparidad económica y diversidad en las opciones de vivienda. Los modelos de aprendizaje automático fueron implementado para predecir los precios de alquiler seleccionando características de la propiedad como la plaza metraje, número de dormitorios, baños y garajes. Los modelos fueron evaluados en base a su precisión y eficiencia computacional, mostrando una variabilidad significativa. El modelo WeightedEnsemble_L2 se destacó, presentando altos niveles de precisión y un R² indicando una previsibilidad sólida. El análisis de importancia de las características reveló que los pies cuadrados y el número de talleres son los predictores más importantes. Estos hallazgos ofrecen valiosos ideas para las partes interesadas en el mercado inmobiliario y subrayar la eficacia de Métodos de aprendizaje automático en la valoración inmobiliaria. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/monograph |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/7534 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Predicción estadística |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Matemáticas |
| ocde_str_mv | 1.01.03 |
| programa_nombre_str_mv | Segunda Especialidad en Estadística Aplicada para Investigación |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/seg-estadistica-aplicada-para-investigacion |
| publishDate | 2024 |
| publishDateRange | 2024 |
| publishDateSort | 2024 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning Cacñahuaray Huaraca, Jimmy Christian Jiménez Novoa, Silvia Mónica Ospina Galindez, Johann Alexis Sector inmobiliario de Lima Estadística descriptiva Este estudio investiga las variaciones y previsibilidad de los precios de alquiler en el sector inmobiliario de Lima. mercado en 2023, utilizando un corpus de 3.675 registros inmobiliarios. A través de estadística descriptiva análisis, se identificaron diferencias significativas en los precios de alquiler entre distritos, lo que refleja disparidad económica y diversidad en las opciones de vivienda. Los modelos de aprendizaje automático fueron implementado para predecir los precios de alquiler seleccionando características de la propiedad como la plaza metraje, número de dormitorios, baños y garajes. Los modelos fueron evaluados en base a su precisión y eficiencia computacional, mostrando una variabilidad significativa. El modelo WeightedEnsemble_L2 se destacó, presentando altos niveles de precisión y un R² indicando una previsibilidad sólida. El análisis de importancia de las características reveló que los pies cuadrados y el número de talleres son los predictores más importantes. Estos hallazgos ofrecen valiosos ideas para las partes interesadas en el mercado inmobiliario y subrayar la eficacia de Métodos de aprendizaje automático en la valoración inmobiliaria. 2024-04-15 2024-05-27T16:14:37Z 2024-05-27T16:14:37Z 2026-04-15 info:eu-repo/date/embargoEnd/2026-04-15 info:eu-repo/semantics/monograph https://hdl.handle.net/20.500.12840/7534 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/7534 2026-11-10T17:45:09Z |
| spellingShingle | Sector inmobiliario de Lima Estadística descriptiva Cacñahuaray Huaraca, Jimmy Christian Jiménez Novoa, Silvia Mónica Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title_full | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title_fullStr | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title_full_unstemmed | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title_short | Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning |
| title_sort | modelo predictivo de precios de alquiler de departamentos en la provincia de lima usando tecnicas de machine learning |
| topic | Sector inmobiliario de Lima Estadística descriptiva |
| topic_facet | Sector inmobiliario de Lima Estadística descriptiva |
| url | https://hdl.handle.net/20.500.12840/7534 |
| work_keys_str_mv | AT cacnahuarayhuaracajimmychristian modelopredictivodepreciosdealquilerdedepartamentosenlaprovinciadelimausandotecnicasdemachinelearning AT jimeneznovoasilviamonica modelopredictivodepreciosdealquilerdedepartamentosenlaprovinciadelimausandotecnicasdemachinelearning |