Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca
En Colombia los métodos para avaluar los bienes inmuebles tienen diferentes problemáticas, entre los más destacados se encuentran la estandarización y precisión. Uno de los principales motivos es que la estimación del precio por metro cuadrado depende de diversos factores, que en la mayoría de las o...
- Autores:
-
García Camargo, Paula Alejandra
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/55114
- Acceso en línea:
- http://hdl.handle.net/1992/55114
- Palabra clave:
- Valor comercial
Inmuebles
Machine learning
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_00c45e1600f2a5ad2faf215b59dad8e6 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/55114 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| title |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| spellingShingle |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca Valor comercial Inmuebles Machine learning Ingeniería |
| title_short |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| title_full |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| title_fullStr |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| title_full_unstemmed |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| title_sort |
Implementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en Cundinamarca |
| dc.creator.fl_str_mv |
García Camargo, Paula Alejandra |
| dc.contributor.advisor.spa.fl_str_mv |
Balen Valenzuela, Carlos Eduardo |
| dc.contributor.author.spa.fl_str_mv |
García Camargo, Paula Alejandra |
| dc.contributor.jury.spa.fl_str_mv |
Vargas Caicedo, Hernando Ignacio |
| dc.subject.keyword.none.fl_str_mv |
Valor comercial Inmuebles Machine learning |
| topic |
Valor comercial Inmuebles Machine learning Ingeniería |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
En Colombia los métodos para avaluar los bienes inmuebles tienen diferentes problemáticas, entre los más destacados se encuentran la estandarización y precisión. Uno de los principales motivos es que la estimación del precio por metro cuadrado depende de diversos factores, que en la mayoría de las ocasiones no se consideran en su totalidad. Adicionalmente, este proceso se encuentra sesgado ya que en algunos casos estas evaluaciones son cualitativas, y los precios dependen de la opinión del perito, haciendo este proceso subjetivo y parcial. Se implementó un modelo de avaluación automático basado en información de 3.734 proyectos. Este modelo deja a un lado las variables cualitativas, y logra una estimación sin sesgos, que replica las dinámicas del mercado inmobiliario. Este modelo depende de 10 variables, tales como Zona, Departamento, Corredor, Tipo de Vivienda, Tipo de Proyecto, Corredor, Estado, Área de la Unidad, Constructora y Estrato. Estas variables son las que tienen una mayor correlación con el precio por metro cuadrado. El modelo realiza estimaciones mediante el uso de algoritmos predictivos. En el proceso de generación del modelo, se realiza una clasificación de los algoritmos más usados con la finalidad de encontrar cual otorga una mejor precisión y exactitud. Entre los algoritmos se encuentran la regresión lineal, los árboles de decisión potencializado, los bosques aleatorios y las redes neuronales, Entre las observaciones principales, se evidenció que los modelos de Bosque de Decisión y Árbol de Decisión Potencializado cuentan con un mayor ajuste, minimizando de esta manera el error a la hora de estimar el precio por metro cuadrado de un inmueble por metro cuadrado. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-22T19:50:48Z |
| dc.date.available.none.fl_str_mv |
2022-02-22T19:50:48Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/55114 |
| dc.identifier.pdf.spa.fl_str_mv |
25539.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/55114 |
| identifier_str_mv |
25539.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
89 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Ingeniería Civil |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Civil y Ambiental |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/2c801d8d-d59b-4842-9800-e7baa90c09c4/download https://repositorio.uniandes.edu.co/bitstreams/f051c1d8-e0f8-4b76-b8db-34b04295bac4/download https://repositorio.uniandes.edu.co/bitstreams/4780dc80-4fc1-4554-b394-7661d4b99c3e/download |
| bitstream.checksum.fl_str_mv |
709f319b7d6220aa0b5bf082f2223c6b ec3d382e113ad3a6695e4da4b8433146 724fd82b0361c55aee91d7f5aea51965 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133917375856640 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Balen Valenzuela, Carlos Eduardo53e0094b-6fd7-430a-9493-34e84cb7005c400García Camargo, Paula Alejandrab8a17b8a-5a74-4553-af17-117d13809179500Vargas Caicedo, Hernando Ignacio2022-02-22T19:50:48Z2022-02-22T19:50:48Z2021http://hdl.handle.net/1992/5511425539.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En Colombia los métodos para avaluar los bienes inmuebles tienen diferentes problemáticas, entre los más destacados se encuentran la estandarización y precisión. Uno de los principales motivos es que la estimación del precio por metro cuadrado depende de diversos factores, que en la mayoría de las ocasiones no se consideran en su totalidad. Adicionalmente, este proceso se encuentra sesgado ya que en algunos casos estas evaluaciones son cualitativas, y los precios dependen de la opinión del perito, haciendo este proceso subjetivo y parcial. Se implementó un modelo de avaluación automático basado en información de 3.734 proyectos. Este modelo deja a un lado las variables cualitativas, y logra una estimación sin sesgos, que replica las dinámicas del mercado inmobiliario. Este modelo depende de 10 variables, tales como Zona, Departamento, Corredor, Tipo de Vivienda, Tipo de Proyecto, Corredor, Estado, Área de la Unidad, Constructora y Estrato. Estas variables son las que tienen una mayor correlación con el precio por metro cuadrado. El modelo realiza estimaciones mediante el uso de algoritmos predictivos. En el proceso de generación del modelo, se realiza una clasificación de los algoritmos más usados con la finalidad de encontrar cual otorga una mejor precisión y exactitud. Entre los algoritmos se encuentran la regresión lineal, los árboles de decisión potencializado, los bosques aleatorios y las redes neuronales, Entre las observaciones principales, se evidenció que los modelos de Bosque de Decisión y Árbol de Decisión Potencializado cuentan con un mayor ajuste, minimizando de esta manera el error a la hora de estimar el precio por metro cuadrado de un inmueble por metro cuadrado.In Colombia, the methods to appraise real estate have distinct problems, among the most outstanding are standardization and accuracy. One of the main reasons is that the estimation of the price per square meter depends on several factors, which in most cases are not fully considered. This process is biased since sometimes these evaluations are qualitative, and prices depend on the expert's opinion, making this process subjective and partial. An automatic appraisal model was implemented based on information from 3,734 projects. This model leaves qualitative variables aside and achieves an unbiased estimate that replicates the dynamics of the real estate market. This model depends on 10 variables, such as Zone, Department, Corridor, Housing Type, Project Type, Corridor, State, Unit Area, Builder and Strata. These variables have the highest correlation with the price per square meter. The model performs estimations using predictive algorithms. In the model generation process, a classification of the most used algorithms was made in order to find the one that provides the best precision and accuracy. Among the algorithms are linear regression, decision trees, random forests and neural networks. Among the key observations, it was evidenced that the Decision Forest and Decision Tree models have a better fit, thus minimizing the error when estimating the price per square meter of a property.Magíster en Ingeniería CivilMaestría89 páginasapplication/pdfspaUniversidad de los AndesMaestría en Ingeniería CivilFacultad de IngenieríaDepartamento de Ingeniería Civil y AmbientalImplementación de un modelo machine learning para la estimación del valor del metro cuadrado de un inmueble ubicado en CundinamarcaTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMValor comercialInmueblesMachine learningIngeniería201516517PublicationORIGINAL25539.pdfapplication/pdf2582424https://repositorio.uniandes.edu.co/bitstreams/2c801d8d-d59b-4842-9800-e7baa90c09c4/download709f319b7d6220aa0b5bf082f2223c6bMD51TEXT25539.pdf.txt25539.pdf.txtExtracted texttext/plain146828https://repositorio.uniandes.edu.co/bitstreams/f051c1d8-e0f8-4b76-b8db-34b04295bac4/downloadec3d382e113ad3a6695e4da4b8433146MD52THUMBNAIL25539.pdf.jpg25539.pdf.jpgIM Thumbnailimage/jpeg9126https://repositorio.uniandes.edu.co/bitstreams/4780dc80-4fc1-4554-b394-7661d4b99c3e/download724fd82b0361c55aee91d7f5aea51965MD531992/55114oai:repositorio.uniandes.edu.co:1992/551142023-10-10 17:05:19.295https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |