Icon

House_​pricing2

Caso de Uso: Valoración de Precio de ViviendasPrex Technologies Octubre - 2020 1. Extracción de datos Para la ejecución de este proyecto se extrae información deprecio de viviendas del portal web chilepropiedades.cl, mediantetécnicas ETL propias. 2. Diagnóstico de informaciónpara entender en profundidad losdatos Resumen estadístico de principalesvariables que se utilizan en modelos deanalítica y en la toma de decisiones. 3.1 Modelo de EstadísticaTradicional (Regresión OLS) conresultados limitados 3.2 Modelo con Machine Learning(GBTrees) con resultadossuperiores 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, tomando encuenta características básicas tales como número de habitaciones, numero de baños, superficie del terreno, entre otras.Ante lo expuesto, para alcanzar una solución se construyen dos modelos de analítica: el primero es una regresión OLS que aplica conceptos de estadística tradicional; y el segundo esesquema de árboles de decision secuenciales que aplica métodos de Machine Learning. 3.3 Comparación de métricas preprecision y exactitud 4. Recomendación de valor de vivienda considerandocaracterísticas del inmueble INGRESE INFORMACION Boosted TreesLearning RegresionTradicional Resultados RegresionTradicional WebScrapping Constrastede modelos ReporteExploratorio Table Creator Predicciónusando modelo Curacion paraDiagnostico Curacionpara Modelos Resultados GBTrees Caso de Uso: Valoración de Precio de ViviendasPrex Technologies Octubre - 2020 1. Extracción de datos Para la ejecución de este proyecto se extrae información deprecio de viviendas del portal web chilepropiedades.cl, mediantetécnicas ETL propias. 2. Diagnóstico de informaciónpara entender en profundidad losdatos Resumen estadístico de principalesvariables que se utilizan en modelos deanalítica y en la toma de decisiones. 3.1 Modelo de EstadísticaTradicional (Regresión OLS) conresultados limitados 3.2 Modelo con Machine Learning(GBTrees) con resultadossuperiores 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, tomando encuenta características básicas tales como número de habitaciones, numero de baños, superficie del terreno, entre otras.Ante lo expuesto, para alcanzar una solución se construyen dos modelos de analítica: el primero es una regresión OLS que aplica conceptos de estadística tradicional; y el segundo esesquema de árboles de decision secuenciales que aplica métodos de Machine Learning. 3.3 Comparación de métricas preprecision y exactitud 4. Recomendación de valor de vivienda considerandocaracterísticas del inmueble INGRESE INFORMACION Boosted TreesLearning RegresionTradicional Resultados RegresionTradicional WebScrapping Constrastede modelos ReporteExploratorio Table Creator Predicciónusando modelo Curacion paraDiagnostico Curacionpara Modelos Resultados GBTrees

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: 2020-10-31
Last update: 2024-12-17
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!