Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

(https://www.programmers.com.br)

Prevendo o preço de imóveis com Machine

Learning – Parte 2

Sempre que um fundo imobiliário quer revender uma casa, o objetivo é conseguir colocar o
maior preço possível para conseguir um bom retorno financeiro sob a venda. E é até
possível termos alguns indícios de faixa de preços de acordo com a casa, uma maior
custará mais do que uma menor, ou talvez as mais novas custem mais do que as antigas.
Mas será que é isso mesmo? Vamos descobrir juntos dando continuidade ao estudo de
caso, utilizando mais uma técnica de Machine Learning.

Aplicamos na parte 1 deste artigo, técnicas de análise descritiva para observar como as
características das casas influenciaram no valor. E agora através de Modelos de Machine
Learning, vamos prever o valor que o fundo imobiliário conseguirá colocar nas casas novas
para conseguir revendê-las ao ponto de otimizar o ROI e todas suas ações de vendas.

Vamos lá?

*** Importante: continuaremos utilizando o banco de dados do Kaggle

(https://www.kaggle.com/harlfoxem/housesalesprediction).

Modelos de Machine Learning

De maneira simplificada, Modelo de Machine Learning é um algoritmo ou equação
matemática que transforma as variáveis explicativas em uma de interesse, a que
queremos predizer. Ou seja, aqui iremos partir do ponto das características que já
conhecemos do imóvel e ver o histórico de vendas, para conhecer o preço de uma casa
nova.

1 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

nova.

Na imagem abaixo a imagem exemplifica a ideia geral por trás de um modelo:

(https://www.programmers.com.br)

(https://www.programmers.com.br
/wp-content/uploads/2019/12/imagem-1.jpg)
Existem vários tipos diferentes de algoritmos e modelagem, por isso na imagem citamos
apenas alguns e o restante representamos com pontos

A ideia do modelo é a seguinte: passamos certos inputs ou variáveis explicativas,

ilustradas pelas bolas azuis para o algoritmo, que fará uma certa transformação nos dados
gerando apenas um valor final, que é o valor que foi predito.

Não há um tipo de modelo que seja ideal em toda as situações, pois depende do cenário
que está sendo trabalhado e das particularidades de cada base de dados. Além disso, não
necessariamente um modelo com uma estrutura mais complexa será o melhor (por
exemplo: uma Rede Neural (http://conteudo.icmc.usp.br/pessoas/andre/research/neural/)
comparada com uma Regressão Linear).

Há alguns modelos que são mais conhecidos, como por exemplo modelos que penalizam
variáveis explicativas correlacionadas (https://www.datacamp.com/community/tutorials
/tutorial-ridge-lasso-elastic-net); uma regressão linear (https://medium.com/data-
hackers/implementando-regress%C3%A3o-linear-simples-em-python-91df53b920a8);
uma floresta aleatória (https://medium.com/machina-sapiens/o-algoritmo-da-floresta-
aleat%C3%B3ria-3545f6babdf8), entre outros. Por isso, recomendamos a leitura do artigo
“10 Algoritmos de Aprendizagem de Máquinas (Machine Learning) que você precisa saber
(https://medium.com/@cristianofurquim/10-algoritmos-de-aprendizagem-de-
m%C3%A1quinas-machine-learning-que-voc%C3%AA-precisa-saber-c49f9eefe319)” e do

2 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

m%C3%A1quinas-machine-learning-que-voc%C3%AA-precisa-saber-c49f9eefe319)” e do
livro “The Deep Learning textbook (https://www.deeplearningbook.org/)”, que aborda a
fundo os modelos de Machine Learning e comenta sobre Deep Learning – campo que
utiliza modelos
(https:/ de rede neural.
/www.programmers.com.br)

Além dos diferentes tipos de modelos, há várias maneiras de otimizar quanto o modelo irá
acertar, que é o foco: quanto mais acertos, mais a nossa predição será boa.

Prevendo o preço do imóvel

O modelo que foi selecionado para fazer a predição do preço dos imóveis foi o Gradient
Boosting Regressor (https://explained.ai/gradient-boosting/). Vamos supor que três
clientes foram até o fundo imobiliário e querem casas com as especificações da imagem
abaixo, e agora precisamos predizer quanto deve ser cobrado nos imóveis de cada um dos
clientes.

(https://www.programmers.com.br/wp-content/uploads/2019/12/tabela1.png)

Você se lembra dos insights obtidos na parte 1 do artigo

(https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis-com-machine-
learning-parte-i/)? O fundo imobiliário já sabe que a casa do cliente 1 custará mais, pois
tem uma nota média alta, 3 banheiros e 5 quartos – e vimos anteriormente que essas são
as características que as casa mais caras possuíam.

E em relação ao cliente 2 e 3, qual imóvel deve ser o mais caro? Se fosse para dizer sem o
modelo, diríamos que é o do cliente 3, por possuir uma nota e quantidade de quartos

3 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

modelo, diríamos que é o do cliente 3, por possuir uma nota e quantidade de quartos
maior em comparação a casa do cliente 2. Mas como podemos analisar no resultado da
predição abaixo, mais uma vez nosso “achismo” estava errado!

(https://www.programmers.com.br)

O preço do imóvel do cliente 2 deve ser maior. Como eu disse anteriormente, o nosso
banco de dados contém muitas outras variáveis além das que estão na figura acima. Ou
seja, uma delas influenciou para que o modelo conseguisse entender e aprender que o
imóvel do cliente 2 deveria ser maior.

As características das casas apresentadas acima – utilizando os três clientes fictícios –

são observações presentes no banco de dados, exatamente para que conseguíssemos
comparar o preço predito com o preço real do imóvel.

E o resultado da predição não está errada: o imóvel do cliente 2 realmente tem um valor
superior ao cliente 3, e o preço do imóvel do cliente 1 é o maior! Isso significa que nosso
modelo está acertando e predizendo o preço certo de acordo com as características dos
imóveis.

Informações valiosas
Em resumo, aplicar esta técnica ajudaria o fundo imobiliário a prever o preço das casas
para estes três diferentes clientes. Tanto a análise descritiva que fizemos na parte 1
(https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis-com-machine-
learning-parte-i/) como o modelo aplicado agora agregariam valor ao negócio do fundo,
além de dar muito mais inteligência e eficiência em suas tomadas de decisões.

Nesta série, exploramos muitos dados disponíveis e vimos que usando algumas técnicas
de Ciências de Dados e Machine Learning (https://www.programmers.com.br/solucoes
/inteligencia-artificial/) nos trouxeram informações valiosas. Mas, te garantimos, que não
fizemos nem metade do que poderíamos ter feito.

Esperamos que o estudo de caso tenha te ajudado a avançar neste universo incrível que é
a Ciência de Dados, e que tenha despertado o interesse a ponto de você estar
considerando usar a inteligência de dados ao seu favor.

4 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

considerando usar a inteligência de dados ao seu favor.

(https://www.programmers.com.br)

Saiba mais sobre nossas soluções

+55 (11) 3504-1100

comercial@programmers.com.br (mailto:comercial@programmers.com.br)

Quer acelerar a transformação digital da sua empresa?_

Nós te ajudamos a prever tendências e alcançar objetivos futuros.

+55 (11) 3504-1100

contato@programmers.com.br (mailto:contato@programmers.com.br)

Entre em contato (https://www.programmers.com.br/contato)

Parcerias(https://www.programmers.com.br Cases (https://www.programmers.com.br

/parcerias) /cases)

(https://www.programmers.com.br Trabalhe
Blog (https://programmers.gupy.io/)
/blog) Conosco

5 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

Nossas unidades_

São Paulo
(https:/
/www.programmers.com.br)
Av. das Nações Unidas, 12901 – 25 and. - Cidade Monções
+55 (11) 3504-1100

Campinas
Av. Dr. José Bonifácio Coutinho Nogueira, 150 - Térreo, sala 38
+55 (19) 3242-8033

Matão
Av. XV de Novembro, 1368, Centro
+55 (16) 3384-3053

Araraquara
Rua Gonçalves Dias, 2367, Jardim Primavera
+55 (16) 3461-3088

A Programmers_

Sobre Nós > (https://www.programmers.com.br/sobre-nos)

Unidades > (https://www.programmers.com.br/unidades)

Parcerias > (https://www.programmers.com.br/parcerias)

Trabalhe Conosco > (https://programmers.gupy.io/)

Confira nosso blog_

4 razões para empresas de logística acelerarem a modernização digital

(https://www.programmers.com.br/blog/4-razoes-para-empresas-de-logistica-acelerarem-
a-modernizacao-digital/)

Carreira de Especialista Tech na Programmers

(https://www.programmers.com.br/blog/carreira-de-especialista-tech-na-programmers/)

Por que a integração de aplicativos é vital na logística

(https://www.programmers.com.br/blog/por-que-a-integracao-de-aplicativos-e-vital-na-logistica/)

(https://www.programmers.com.br/)

6 of 7 07/11/2022 15:56
Prevendo o preço de imóveis com Machine Learning – Parte 2 - Pro... https://www.programmers.com.br/blog/prevendo-o-preco-de-imoveis...

(https://www.facebook.com/programmersit)

(https://www.programmers.com.br)
(https://www.instagram.com/programmers_beyond_it/)

(https://www.linkedin.com/company/programmersbeyondit/)

7 of 7 07/11/2022 15:56