Icon

House_​pricing1

Caso de Uso: Valoración de Precio de ViviendasPrex Technologies Octubre - 2020 Extracción de información Información tomada del portalchilepropiedades.cl Procesamiento de datos - Excluir variables no relevantes- Limpieza de campos- Detección de outliers- Normalización- One-Hot Encoding EDA Resumen estadístico de principale variablesque se utilizarán en modelos de analítica Modelo de Estadística Tradicional Modelo empleado Regresión OLS Modelo ML 1 Modelo empleado Random Forest Modelo ML 2 Modelo empleado Gradient Boosted Trees El siguiente caso presenta el desafío de predecir con la mayor exactitud posible, el precio en Unidades de Fomento (UF) de casas en la ciudad de Santiago de Chile.Ante lo expuesto, para alcanzar una solución se construyen tres modelos de analítica, basándose en el primero en estadística tradicional, y los siguientes empleando algoritmosde Machine Learning Supervisado. Comparación de métricas Métricas comparadas: - R cuadrado- MAPE --------------- Curacion de dataset Analisis exploratoriode datos Random ForestLearning Boosted TreesLearning ResultadosBoosted Trees ResultadosRandom Forest RegresionTradicional Resultados RegresionTradicional WebScrapping Constrastede modelos Caso de Uso: Valoración de Precio de ViviendasPrex Technologies Octubre - 2020 Extracción de información Información tomada del portalchilepropiedades.cl Procesamiento de datos - Excluir variables no relevantes- Limpieza de campos- Detección de outliers- Normalización- One-Hot Encoding EDA Resumen estadístico de principale variablesque se utilizarán en modelos de analítica Modelo de Estadística Tradicional Modelo empleado Regresión OLS Modelo ML 1 Modelo empleado Random Forest Modelo ML 2 Modelo empleado Gradient Boosted Trees El siguiente caso presenta el desafío de predecir con la mayor exactitud posible, el precio en Unidades de Fomento (UF) de casas en la ciudad de Santiago de Chile.Ante lo expuesto, para alcanzar una solución se construyen tres modelos de analítica, basándose en el primero en estadística tradicional, y los siguientes empleando algoritmosde Machine Learning Supervisado. Comparación de métricas Métricas comparadas: - R cuadrado- MAPE --------------- Curacion de dataset Analisis exploratoriode datos Random ForestLearning Boosted TreesLearning ResultadosBoosted Trees ResultadosRandom Forest RegresionTradicional Resultados RegresionTradicional WebScrapping Constrastede modelos

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: jaraujo
Created at: 2020-10-19
On NodePit since: 2020-10-20
Last update: 2024-11-18
Created with KNIME version: v4.2.2

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!