Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina

Detalhes bibliográficos
Autor(a) principal: Balczareki, Yuri Potrich
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/255809
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Produção.
id UFSC_ca82c36a7f1952c03e3675349a8a5dd0
oai_identifier_str oai:repositorio.ufsc.br:123456789/255809
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquinaMercado ImobiliárioAprendizado de máquinaTransformação DigitalEstimação de preçosTCC(graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Produção.A crescente demanda do mercado por modelos de precificação de imóveis eficientes destaca a importância das técnicas de machine learning para a predição de preços, proporcionando aos corretores ferramentas para avaliações mais precisas. Este trabalho objetiva aplicar metodologias de aprendizagem computacional para a avaliação de imóveis, com foco na cidade de Florianópolis, e identificar a metodologia de melhor desempenho. Utilizando dados coletados via web scraping da plataforma Viva Real, o estudo envolveu a análise exploratória e preparação dos dados para treinamento e otimização dos modelos Lasso Regression, Random Forest e XGBoost, sendo este último o mais eficaz, com um R² de 0.70, RMSE de 3.67e+05 e MAPE de 24.12%. O estudo contribuiu para avaliar a performance de um modelo genérico para diferentes bairros, além da importância que o mesmo atribui a diferentes amenidades de um imóvel. Conclui-se que a utilização de machine learning é uma abordagem promissora para a precificação de imóveis, com potencial para beneficiar todo o ecossistema imobiliário, mas que necessita de mais pesquisas para melhorar a confiabilidade e a validade da tomada de decisão do algoritmo para então ser utilizada no setor imobiliário. As limitações do estudo e sugestões para trabalhos futuros foram discutidas, apontando para a necessidade de contínua melhoria e adaptação dos modelos com a utilização de um maior volume de dados e de atributos que reflitam melhor as necessidades do consumidor.The growing market demand for efficient property pricing models highlights the importance of machine learning techniques for price prediction, providing brokers with tools for more accurate evaluations. This work aims to apply computational learning methodologies for property valuation, focusing on the city of Florianópolis, and identify the best-performing methodology. Using data collected via web scraping from the Viva Real platform, the study involved exploratory analysis and data preparation for training and optimizing the Lasso Regression, Random Forest, and XGBoost models, with the latter being the most effective, achieving an R² of 0.70, RMSE of 3.67e+05, and MAPE of 24.12%. The study contributed to evaluating the performance of a generic model for different neighborhoods and the importance it assigns to various property amenities. It is concluded that the use of machine learning is a promising approach for property pricing, with the potential to benefit the entire real estate ecosystem. However, more research is needed to improve the reliability and validity of algorithmic decision-making before it can be used in the real estate sector. The study’s limitations and suggestions for future work were discussed, pointing to the need for continuous improvement and adaptation of the models by using a larger volume of data and attributes that better reflect consumer needs.Florianópolis, SC.Maldonado, Mauricio UrionaUniversidade Federal de Santa Catarina.Balczareki, Yuri Potrich2024-07-10T12:20:55Z2024-07-10T12:20:55Z2024-07-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis85 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/255809Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2024-07-10T12:20:57Zoai:repositorio.ufsc.br:123456789/255809Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-07-10T12:20:57Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
title Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
spellingShingle Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
Balczareki, Yuri Potrich
Mercado Imobiliário
Aprendizado de máquina
Transformação Digital
Estimação de preços
title_short Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
title_full Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
title_fullStr Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
title_full_unstemmed Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
title_sort Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina
author Balczareki, Yuri Potrich
author_facet Balczareki, Yuri Potrich
author_role author
dc.contributor.none.fl_str_mv Maldonado, Mauricio Uriona
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Balczareki, Yuri Potrich
dc.subject.por.fl_str_mv Mercado Imobiliário
Aprendizado de máquina
Transformação Digital
Estimação de preços
topic Mercado Imobiliário
Aprendizado de máquina
Transformação Digital
Estimação de preços
description TCC(graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Produção.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-10T12:20:55Z
2024-07-10T12:20:55Z
2024-07-03
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/255809
url https://repositorio.ufsc.br/handle/123456789/255809
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 85 f.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651943559561217

Registros relacionados