POSGRADO

Sistemas de Información Mención Inteligencia de Negocios

Sistemas de Soporte a la Toma de Decisiones

Evaluación de costos de
viviendas en los suburbios
de Boston
Definir el precio de venta de una
propiedad no es una tarea sencilla, es
más, una decisión mal tomada puede
significar la pérdida de mucho dinero
a la hora de vender o comprar un inmueble, por ello se recomienda realizar la evaluación de
costos de viviendas ya que una mala decisión puede causar una mala inversión. Las viviendas
no son iguales si son nuevas o usadas, si tienen diferente calidad de construcción, si están
bien o mal ubicadas dependiendo de la zona.

El objetivo de este proyecto es utilizar un modelo de Datamining para determinar el costo

de viviendas en los suburbios de Boston dependiendo del número de habitaciones
proporcionadas y así conocer el valor más apropiado para la adquisición de una vivienda en
los suburbios de Boston. Este proyecto fue desarrollado utilizando un regresor, donde se ha
seguido un procedimiento para la toma de decisión en el conjunto de datos Housing Data
Set, tanto para la aprobación y aceptación del costo de vivienda que es lo que se desea
determinar con esta minería de datos el mismo se basa en técnicas de regresión, que se
pueden utilizar como clasificadores individuales.

Los precios se mantienen en su nivel actual o bajan un poco, dependiendo de la rapidez con
que aumenta la demanda. Las empresas mantienen sus gastos en promoción en el mismo
nivel o en un nivel un poco más alto a fin de enfrentar a la competencia y seguir educando
al mercado. Las ventas aumentan con mucha mayor rapidez que los gastos en promoción,
dando pie a una baja en el cociente promoción/ventas que a las empresas les viene muy
bien.

Dado un conjunto de datos (numéricos y/o nominales) referido a un problema como es el

de evaluar los costos de viviendas para así aplicar algoritmos de inteligencia artificial, que
realizan un aprendizaje automático para establecer patrones y modelos sobre esos datos y
así determinar los atributos más influyentes en la minería de datos para conocer el costo de
las viviendas y extraer conclusiones sobre ellos, y de esta manera también poder profundizar
en las técnicas básicas de aprendizaje automático.

Frente a este escenario, la toma de decisiones para la adquisición de una vivienda, se basa
en la definición de una técnica adicional para evaluar los costos de viviendas en los suburbios
de Boston, para llevarlo a cabo, se propone la utilización técnica del modelo de regresión
como es LinearRegression que permite balancear los costos de vivienda dependiendo del
número de habitaciones.

Se requiere adquirir los datos desde: https://www.kaggle.com/c/boston-housing/data

Mediante la identificación de los factores más influyentes podemos destacar los atributos
utilizados en el conjunto de datos Housing data set (506 instancias):

1
 POSGRADO
Sistemas de Información Mención Inteligencia de Negocios
Sistemas de Soporte a la Toma de Decisiones

• CRIM: La tasa de criminalidad per cápita de la ciudad, que hace referencia a todas las
entradas económicas que recibe una persona, una familia, una empresa, o una
organización, por la adquisición de una vivienda.
• ZN: La proporción de suelo residencial dividido en zonas para las porciones más de
25.000 pies cuadrados.
• INDUS: La simetría de las no ventas al por menor de la acreditación de negocios por las
diferentes zonas de la ciudad.
• PERSIGA: la variable ficticia del río Charles (= 1 si el trecho delimita el río; 0 de lo
contrario).
• CHAS: Conocer las distintas variables que determinaron el límite de construcción de
vivienda (= 1 si tracto río límites, 0 en otro caso).
• NOX: Establecer la concentración de óxidos de nitrógeno existentes en los diferentes
puntos de la zona de ubicación (partes por 10 millones).
• RM: Identificar el número medio de habitaciones por vivienda.
• AGE: Proporción de las viviendas ocupadas por sus propietarios que se dieron en
unidades construidas antes de 1940.
• DIS: Determinar las distancias aprobadas a cinco centros de empleo Boston.
• RAD: Indicar la accesibilidad a las autopistas radiales.
• TAX: Estipular el valor total de la tasa de impuestos a la propiedad, dicho valor está
establecido por $ 10,000.
• PTRATIO: Establecer la proporción de alumnos existentes por maestro en la ciudad.
• BLACK: 1000 (Bk - 0,63) ^ 2 donde Bk es la proporción de negros en la ciudad.
• LSTAT: Fijar el estado en % inferior de la población.
• MEDV: Precisar el valor mediano de las viviendas ocupadas por sus propietarios en $
1000.