Machine learning: comparación de modelos de aprendizaje automático en la predicción de precios de vivienda en la región metropolitana de Santiago

Abstract

El mercado inmobiliario constituye un pilar esencial de la economía, influenciado por factores económicos, sociales y geográficos. Dentro de este mercado, la valoración de inmuebles representa un desafío significativo, debido a la interacción de múltiples variables intrínsecas, como el tamaño y las comodidades de una vivienda, y extrínsecas, como la ubicación y las condiciones del entorno. En el contexto de la Región Metropolitana de Santiago, este desafío se intensifica por la diversidad y dinamismo del mercado, donde los precios fluctúan rápidamente, reflejando tanto cambios macroeconómicos como transformaciones urbanas. En este escenario, los modelos de aprendizaje automático han surgido como herramientas prometedoras para abordar problemas de predicción complejos. Estos modelos no solo permiten analizar grandes volúmenes de datos históricos, sino que también identifican patrones no lineales y relaciones complejas que los métodos tradicionales, como la regresión lineal, no logran captar adecuadamente. Sin embargo, dada la amplia variedad de algoritmos disponibles, resulta necesario realizar un análisis comparativo que permita identificar cuál de ellos se adapta mejor a las características específicas del mercado inmobiliario en Santiago. El presente trabajo tiene como objetivo comparar el desempeño de diferentes modelos de aprendizaje automático para la predicción de precios de viviendas en la Región Metropolitana. Esta evaluación busca no solo determinar el modelo más adecuado, sino también identificar los factores clave que influyen en las predicciones y comprender cómo cada algoritmo responde a las características del mercado. De esta forma, se espera aportar una herramienta más robusta para la toma de decisiones informadas en el ámbito inmobiliario.