Modelo de predição de valores imobiliários em Florianópolis

Abstract

O mercado imobiliário é um setor complexo e dinâmico, onde a avaliação precisa de imóveis é crucial para compradores, vendedores e investidores. Essa avaliação é uma atividade complexa que envolve a consideração de diversas variáveis, como localização, tamanho, idade do imóvel, características do entorno e condições do mercado. Este trabalho propõe o desenvolvimento de um modelo de machine learning para prever os valores de imóveis, utilizando técnicas avançadas de Inteligência Artificial (IA). A partir de dados coletados do portal ZAP Imóveis, por meio de web scraping, os modelos de Regressão Linear, Árvores de Decisão, XGBoost e Rede Neural Artificial foram treinados para identificar padrões e relações entre as variáveis que influenciam os preços dos imóveis. Por fim, a análise dos resultados demonstrou que o XGBoost foi o modelo com melhor desempenho, atingindo R² de 0,83 e MAPE de 0,19% para um dataset de 21.568 registros.

The real estate market is a complex and dynamic sector, where accurate property valuation is crucial for buyers, sellers, and investors. This valuation is a complex activity that involves considering several variables, such as location, size, age of the property, characteristics of the surroundings, and market conditions. This work proposes the development of a machine learning model to predict property values, using advanced Artificial Intelligence (AI) techniques. Using data collected from the ZAP Imóveis platform, through web scraping, the Linear Regression, Decision Trees, XGBoost, and Artificial Neural Network models were trained to identify patterns and relationships between the variables that influence property prices. Finally, the analysis of the results showed that XGBoost was the model with the best performance, reaching R² of 0.83 and MAPE of 0.19% for a dataset of 21,568 records.