Avaliação imobiliária através de inteligência computacional

Abstract

Este trabalho apresenta uma visão geral sobre o estado da arte da inteligência computacional aplicada à avaliação imobiliária e sua implementação através de scripts usando pacotes em linguagem R para a predição do preço de venda de apartamentos situados no Bairro Trindade na data base março de 2023. Um estudo comparativo é realizado confrontando a técnica consagrada do método comparativo direto de dados de mercado por inferência estatística usando Regressão Linear Múltipla (MLR), comparada com outras técnicas, como o sistema de inferência difuso de Mamdani (FIS), o sistema de inferência difuso de Takagi-Sugeno-Kang (TSK), o sistema de inferência difuso neuroadaptativo (ANFIS). Além disso, o trabalho aborda brevemente o balanceamento de classes por subamostragem da classe majoritária (undersampling), e destaca considerações importantes para o êxito na aplicação de modelos baseados em lógica difusa na avaliação imobiliária. O estudo conclui que a MLR apresenta os melhores resultados, seguido da técnica TSK. A técnica FIS apresenta um desempenho razoável, enquanto que a técnica ANFIS mostra potencial, mas requer ser aplicada sob certos cuidados. Foram implementadas as métricas Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e Erro Médio Percentual Absoluto (MAPE), analisadas conjuntamente sob a aplicação de conjuntos treino x teste com diversas proporções. Sob a ótica da métrica MAPE, o melhor modelo MLR resultou 7,39%, o TSK 8,51%, seguido pelo FIS 10,40% e ANFIS com 13,05%.

This study provides an overview of the state-of-the-art in computational intelligence applied to real estate valuation and its implementation through scripts using R libraries for predicting the selling price of apartments located in the Trindade neighborhood as of the reference date of march 2023. A comparative study is conducted, comparing the well-established technique of direct comparison method using statistical inference through Multiple Linear Regression (MLR) with other techniques such as Mamdani's fuzzy inference system (FIS), Takagi-Sugeno-Kang's fuzzy inference system (TSK), and adaptive neuro-fuzzy inference system (ANFIS). Additionally, the work briefly addresses class balancing through undersampling of the majority class and highlights important considerations for the successful application of fuzzy logic-based models in real estate valuation. The study concludes that MLR yields the best results, followed by the TSK technique. The FIS technique shows reasonable performance, while the ANFIS technique demonstrates potential but requires a careful application. Metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE) were implemented and jointly analyzed using various train-test set ratios. From the perspective of the MAPE metric, the best MLR model resulted in 7.39%, TSK achieved 8.51%, followed by FIS with 10.40%, and ANFIS with 13.05%.