Prevendo o Preço de Imóveis em São Petersburgo com Machine Learning - Real Estate Saint Petersburg 2014 - 2019

Conteúdo

• Introdução
• Metas e objetivos
• Dados
• Métodos e modelos
• Resultados
• Ferramentas utilizadas

Introdução

O dataset Real Estate Saint Petersburg 2014 - 2019 contém informações sobre anúncios de imóveis na segunda maior cidade da Russia, São Petersburgo, sendo fonte valiosos insights sobre o mercado imobiliário na região. Os dados incluem variáveis que descrevem tanto os imóveis, quanto seus arredores e instalações próximas que podem influenciar no preço.

Metas e objetivos

O objetivo deste projeto é construir um modelo de machine learning capaz de predizer o preço de imóveis em São Petersburgo.

Dados

Coluna	Descrição
airports_nearest	Distância em metros para o aeroporto mais próximo
balcony	Número de sacadas
ceiling_height	Altura em metros do telhado
cityCenters_nearest	Distância até o centro da cidade em metros
days_exposition	Número de dias que o anúncio esteve ativo
first_day_exposition	Data de publicação do anúncio
floor	Total de andares do imóvel
floors_total	Total de andares no prédio onde o imóvel está localizado
is_apartment	Se é um apartamento (bool)
kitchen_area	Área da cozinha em metros quadrados
last_price	Último preço de anúncio
living_area	Área de convivência em metros quadrados
locality_name	Nome da localidade
open_plan	Se a propriedade tem um plano aberto (bool)
parks_around3000	Número de parques em um raio de 3km
parks_nearest	Distância do parque mais próximo em metros
ponds_around3000	Número de corpos de água em um raio de 3km
ponds_nearest	Distância do corpo de água mais próximo
rooms	Número de quartos
studio	Se é um apartamento do tipo studio (bool)
total_area	Área total do imóvel em metros quadrados
total_images	Número de imagens no anúncio

Os dados foram originalmente encontrados no Kaggle e também estão disponíveis na pasta data deste repositório.

Métodos e modelos

Pré-processamento e otimizações

• Scikit-learn, Optuna, Category Encoders, Feature Engine.

Modelos

• XGBoost.

Métricas de avaliação

• Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, R2 Score.

Resultados

Um arquivo .xlsx com as previsões realizadas pelo modelo pode ser encontrado na pasta data do repositório.

Conjunto de validação

Métrica	Resultado
MSE	0.0503
RMSE	0.2244
MAE	0.1482
R2 Score	0.8809

Conjunto de testes

Métrica	Resultado
MSE	0.0557
RMSE	0.2359
MAE	0.1440
R2 Score	0.8777

Feature Importances

Ferramentas utilizadas