Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/48854
Title in Portuguese: Modelos de aprendizagem de máquina para precificação de imóveis na cidade de Fortaleza
Title: Machine learning models for real state princing for the city of Fortaleza
Author: Silva, Gustavo Henrique Pinheiro da
Advisor(s): Campos, Vanessa Ribeiro
Keywords: Mercado imobiliário
Avaliação de imóveis
Sistemas de Apoio a decisão
Machine-Learning
Estimação de preços
Issue Date: 2019
Citation: SILVA, Gustavo Henrique Pinheiro da. Modelos de aprendizagem de máquina para precificação de imóveis na cidade de Fortaleza. 2019. 86 f. TCC (Graduação em Engenharia Civil) - Universidade Federal do Ceará, Fortaleza, 2019.
Abstract in Portuguese: As transações imobiliárias são realizadas com a participação de diversos atores. Muito para além do comprador e vendedor, financiadores e órgãos governamentais atuam e são diretamente impactados com seu resultado e efetividade. Por representar quase sempre um valor da ordem de dezenas ou centenas de milhares de reais, todos os atores sempre visam a minimização do risco que sofrem nessa modalidade de operação. Muito antes dos estudos de concessão de crédito, os estudos sobre precificação do imóvel podem levar ou não à alienação do bem. As metodologias de avaliação previstas em normas técnicas abordam principalmente aspectos de vistoria ou, em alguns casos a análise estatística do imóvel e sua circunvizinhança. Com o avanço da computação e das teorias estatísticas, surgiram novos métodos de avaliação, como a aprendizagem de máquina que vem demonstrando bons resultados como oráculo de valores atingindo, em alguns casos, a erros médios próximos ou menores a 6%. Fatores de erro tão baixos tornam-se bastante impactantes no mercado, pois trazem segurança para todas as partes durante o processo aquisitivo. Este trabalho propõe a aplicação das metodologias de aprendizagem computacional assistida para avaliação de imóveis, discutir seus resultados e escolher qual delas apresenta melhores resultados para a cidade de Fortaleza. Os dados para a pesquisa foram fornecidos pela Secretaria de Finanças do Município e contêm informações sobre valores das transações e dados físicos da propriedade e serão o ponto de partida para cada um dos modelos de treinamento e previsão abordados no corpo deste trabalho.
Abstract: Real estate transactions are carried out with the participation of various agents. Far beyond buyers and sellers, funders and government agencies impact and are impacted by their result and effectiveness of those transactions. All agents always aim to minimize the risk they face in this mode of operation since it represents a sum of about tens or hundreds of thousands of reais. Long before credit studies, real estate pricing studies may or may not lead to the sale of the property. Evaluation methodologies present in technical standards mainly address inspection aspects or, in some cases, the statistical analysis of the property and its surroundings. With the advances in computer science and statistical theories, new evaluation methods have emerged, such as machine learning, which has shown good results as oracle of values, reaching, in some cases, average errors close to or less than 6%. Such low error rates become quite influential in the market since they bring security to all parties during the purchasing process. This paper proposes to discuss the insertion of several assisted computational learning methodologies to real estate valuation, discuss their results and choose which one presents the best results for the city of Fortaleza. The data for the survey were provided by the Municipal Finance Department of Fortaleza. They contain information on transaction values and the real estate physical data, which will be the starting point for each of the training and forecasting models addressed in the body of this paper.
URI: http://www.repositorio.ufc.br/handle/riufc/48854
metadata.dc.type: TCC
Appears in Collections:ENGENHARIA CIVIL - Monografias

Files in This Item:
File Description SizeFormat 
2019_tcc_ghpsilva.pdf874,36 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.