Redes neuronales y métodos basados en árboles para predicción de valores de suelo en Córdoba

Abstract

En la intersección de la tecnología de aprendizaje automático y la tasación inmobiliaria, este estudio proporciona una evaluación comparativa de los modelos de redes neuronales frente a métodos basados en árboles para la predicción de valores de suelo en la provincia de Córdoba. Abordando una cuestión de considerable importancia económica y social, este trabajo examina la viabilidad de implementar modelos de inteligencia artificial para automatizar y refinar el proceso de tasación de terrenos urbanos y rurales. A través de un análisis exhaustivo de casi 8.000 datos inmobiliarios y variables significativas como la cobertura leñosa y el contexto urbano, demostramos que las redes neuronales no solo pueden competir sino, en ciertos casos, superar a los métodos tradicionales en precisión y relevancia. Contrariamente a las sugerencias de investigaciones recientes sobre datos tabulares, encontramos que las redes neuronales ofrecen un desempeño superior en uno de nuestros conjuntos de datos, el conjunto de datos rurales, y están a la par con XGBoost en el conjunto urbano, con una diferencia de desempeño menor al 1% en favor de las redes. Además, destacamos la eficacia del Quantile Random Forest en segmentos específicos del mercado. Este estudio no sólo arroja luz sobre la influencia crítica de factores tanto históricos como actuales en la valoración de propiedades sino que también establece un precedente para la aplicación práctica de algoritmos avanzados en el dominio de la tasación de bienes raíces, sugiriendo un futuro en nuestro país en el que las máquinas potencian la toma de decisiones basada en datos en el sector inmobiliario.

At the nexus of machine learning technology and real estate appraisal, this study provides a comparative assessment of neural network models against tree-based methods for predicting land values in the province of Córdoba. Addressing a matter of substantial economic and social importance, this work examines the feasibility of implementing artificial intelligence models to automate and refine the land valuation process for urban and rural properties. Through a comprehensive analysis of over 8.000 real estate data points and significant variables such as woody coverage affected by wildfires and urban context, we demonstrate that neural networks can not only compete but, in certain cases, surpass traditional methods in accuracy and relevance. Contrary to suggestions from recent research, we found that neural networks offer superior performance on the rural dataset and are on par with XGBoost on urban datasets, with a performance difference of less than 1% in favour of the neural networks. Additionally, we highlight the effectiveness of Quantile Random Forest in specific market segments. This study not only sheds light on the critical influence of both historical and current factors in property valuation but also sets a precedent for the practical application of advanced algorithms in the realm of real estate appraisal, suggesting a future in our country where machines enhance data-driven decision-making in the real estate sector.