Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana
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 pre...
Guardado en:
| Autores principales: | , , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881545210103595008 |
|---|---|
| author | Terán Suárez, Mariela Victoria Panduro Del Castillo, Mardeli Beatriz Chire Hernandez, Emelson Alex |
| author2 | Ospina Galindez, Johann Alexis |
| author_browse | Chire Hernandez, Emelson Alex Ospina Galindez, Johann Alexis Panduro Del Castillo, Mardeli Beatriz Terán Suárez, Mariela Victoria |
| author_facet | Ospina Galindez, Johann Alexis Terán Suárez, Mariela Victoria Panduro Del Castillo, Mardeli Beatriz Chire Hernandez, Emelson Alex |
| author_sort | Terán Suárez, Mariela Victoria |
| collection | Repositorio institucional |
| description | 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. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9179 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Inteligencia de negocios |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Maestría En Ingeniería De Sistemas Con Mención En Dirección Y Gestión De Tecnologías De Información |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana Terán Suárez, Mariela Victoria Panduro Del Castillo, Mardeli Beatriz Chire Hernandez, Emelson Alex Ospina Galindez, Johann Alexis Machine Learning Predicción de precios Alquiler de viviendas 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. 2025-04-22 2025-09-19T17:01:36Z 2025-09-19T17:01:36Z info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/9179 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9179 2026-11-10T22:57:48Z |
| spellingShingle | Machine Learning Predicción de precios Alquiler de viviendas Terán Suárez, Mariela Victoria Panduro Del Castillo, Mardeli Beatriz Chire Hernandez, Emelson Alex Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title_full | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title_fullStr | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title_full_unstemmed | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title_short | Predicción de precios de viviendas usando Machine Learning en Lima Metropolitana |
| title_sort | prediccion de precios de viviendas usando machine learning en lima metropolitana |
| topic | Machine Learning Predicción de precios Alquiler de viviendas |
| topic_facet | Machine Learning Predicción de precios Alquiler de viviendas |
| url | https://hdl.handle.net/20.500.12840/9179 |
| work_keys_str_mv | AT teransuarezmarielavictoria predicciondepreciosdeviviendasusandomachinelearningenlimametropolitana AT pandurodelcastillomardelibeatriz predicciondepreciosdeviviendasusandomachinelearningenlimametropolitana AT chirehernandezemelsonalex predicciondepreciosdeviviendasusandomachinelearningenlimametropolitana |