Precificação de imóveis utilizando regressão linear múltipla e árvores de decisão

Abstract

A presente monografia pretende propor um modelo de precificação de imóveis em uma cidade do Centro-Oeste. Inicialmente, são apresentados periódicos que abordam sobre o tema deste trabalho para imersão de pesquisas relacionadas. Após, são trazidas as noções teóricas acerca dos temas relevantes para a compreensão do estudo, a partir de uma pesquisa bibliográfica. Nessa parte, são destacados os principais tópicos sobre regressão linear e árvores de decisão. A metodologia utilizada foi com coleta e tratamento de dados seguida de uma análise exploratória dos dados. A coleta de dados considerou dados disponíveis na internet levando em conta tanto imóveis novos quanto usados. Modelos de regressão linear foram utilizados no intuito de predizer a precificação de imóveis. Um modelo de árvore de decisão para classificação dos imóveis foi construído considerando variáveis contínuas e categóricas. Os resultados do trabalho mostram que a combinação de modelos de regressão com a técnica de árvores de decisão permite considerar simultaneamente variáveis contínuas e categóricas, obtendo-se desta forma, resultados bastante promissores com relação aos erros de predição na precificação de imóveis.

This undergraduate thesis intends to propose a real estate pricing model in a city in the Midwest of Brazil. Initially, journals are presented, addressing the theme of the work for the immersion of related research. Afterwards, the theoretical notions about the relevant themes for the understanding of the study are brought, from bibliographical research. In this part, the main topics on linear regression and decision trees are highlighted. The methodology used relied on data collection and treatment followed by an exploratory data analysis. Data collection considered data available on the internet, considering both new and used properties. Linear regression models were used to predict property prices. A decision tree model for classifying properties was built considering continuous and categorical variables. The results of the work show that the combination of regression models with the decision tree technique allows the simultaneous consideration of continuous and categorical variables, thus obtaining very promising results regarding prediction errors in property pricing.