Acceso usuarios
[1]
;
Martínez Ramírez, Yobani
[2]
;
Ramírez-Noriega, Alan
[2]
;
Álvarez Sánchez, Iván Noel
[1]
México
México
El objetivo del presente documento es identificar los modelos de Aprendizaje Automático (AA) más precisos para predecir el valor de una propiedad inmobiliaria, basándose en una Revisión Sistemática de la Literatura (RSL). La cual se realizó de investigaciones publicadas entre 2022 y 2023 que analizaron la precisión de modelos de AA en la valuación inmobiliaria. Se extrajo información sobre los modelos de AA utilizados, las bases de datos empleadas y los modelos destacados por su precisión. Por último, se identificó una variedad de modelos de AA utilizados en la valuación inmobiliaria, incluyendo Random Forest (RF), XGBoost, Gradient Boosting Machine (GBM), Regresión Lineal (LR) y Regresión Lasso. Los modelos RF y LR se destacaron como los más precisos en las investigaciones analizadas, encontrando que la precisión de los modelos de AA varía según la base de datos, las características de las propiedades y el contexto de la valuación. Concluyendo que los modelos de AA, como RF y LR, son herramientas prometedoras para mejorar la precisión de la valuación inmobiliaria. Además, la elección del mejor modelo de AA depende de factores como la base de datos, las características de las propiedades y los objetivos específicos de la valuación. Es necesario continuar investigando la aplicación de AA en la valuación inmobiliaria, considerando aspectos como la interpretabilidad de los modelos y el contexto del mercado inmobiliario.
The objective of this document is to identify the most accurate machine learning (ML) models for predicting the value of a real estate property, based on a systematic literature review (SLR). It was conducted on research published between 2022 and 2023 that analyzed the accuracy of ML models in real estate valuation. Information was extracted regarding the ML models used, the databases employed, and the models highlighted for their accuracy. A variety of ML models used in real estate valuation were identified, including Random Forest (RF), XGBoost, Gradient Boosting Machine (GBM), Linear Regression (LR), and Lasso Regression. RF and LR models stood out as the most accurate in the analyzed research, showing that the accuracy of ML models varies depending on the database, property characteristics, and valuation context. It was concluded that ML models like RF and LR are promising tools for improving the accuracy of real estate valuation. Additionally, the choice of the best ML model depends on factors such as the database, property characteristics, and specific valuation objectives. Further research is needed on the application of ML in real estate valuation, considering aspects such as model interpretability and the real estate market context.
