Valoración de viviendas urbanas en Argentina utilizando técnicas de Machine Learning

Abstract

Esta tesis aborda la problemática de la valoración de viviendas urbanas en la Argentina, haciendo énfasis en el mercado inmobiliario de la Ciudad de Buenos Aires. En un contexto de creciente disponibilidad de datos en línea y de herramientas de análisis avanzado, se plantea como objetivo principal desarrollar y evaluar modelos de predicción del precio de propiedades utilizando técnicas de Machine Learning, explorando además su interpretabilidad y la cuantificación de la incertidumbre de las estimaciones. La investigación parte de un relevamiento del mercado inmobiliario nacional y de la revisión de enfoques clásicos, como los modelos de precios hedónicos, para luego incorporar algoritmos de aprendizaje automático. Recuperando información disponible en la web correspondiente a los apartamentos de la ciudad de Buenos Aires, se entrenaron modelos interpretables tales como regresión multivariada, LASSO y árboles de decisión. Asimismo, se recurrió a modelos no interpretables tales como Random Forest, XGBoost y red neuronales artificial. Para cada modelo se utilizaron métricas de desempeño estándar y se implementaron técnicas de interpretabilidad (Partial Dependence Plots, Individual Conditional Expectation, Shapley Additive Explanations e importancia de atributos) que permitieron explicar la importancia de cada una de las variables dependientes sobre el precio que presenta un inmueble. Como complemento, se aplicó Conformal Prediction, un enfoque que genera intervalos de confianza para las estimaciones, brindando una medida explícita de la incertidumbre. Los resultados muestran que los algoritmos de Machine Learning superan en capacidad predictiva a los métodos lineales tradicionales, al tiempo que las herramientas de interpretabilidad facilitan la comprensión de los factores que más inciden en el valor de los inmuebles. Esta investigación pretendió exponer cómo la combinación de fuentes de datos abiertas, técnicas de Machine Learning e instrumentos de explicabilidad constituye una vía sólida para mejorar la transparencia y la precisión en la tasación de propiedades. Estas contribuciones resultan valiosas no solo para agentes del mercado inmobiliario, sino también para el diseño de políticas públicas orientadas a la vivienda y el desarrollo urbano sostenible.