Bienes y Raíces CDMX
Emilio Martínez - A01177730
2023-11-15
Situación Problema
Ante el creciente número de competidores y el uso intensivo de nuevas tecnologías como facilitador para encontrar y anunciar propiedades, el director general (CEO) de una empresa de bienes y raíces ubicada en la CDMX, identificada como “Erich Zann y Asociados”, se ha visto en la necesidad de renovar sus procedimientos y tecnología para determinar el valor de venta de los bienes raíces que su negocio oferta en el mercado inmobiliario en la ciudad. El CEO ha solicitado al gerente de Mercadotecnia, realizar los cambios necesarios en la estrategia de promoción de los inmuebles que negocia la empresa destacando que la inmobiliaria utiliza información y métodos analíticos para identificar las variables clave que determinan el precio de un inmueble.
Cargar la base de datos
rm(list = ls())
df <- read.csv("C:\\Users\\memil\\OneDrive\\Desktop\\aaTecDeMonterrey\\5to Semestre\\Mineria\\Datos bienes y raices CDMXF.csv")
df$Estacionamiento <- as.numeric(df$Estacionamiento)## Warning: NAs introduced by coerciondf$Precio <- as.numeric(df$Precio)Exploración y limpieza de datos
df <- unique(df)
dim(df) #5 registros duplicados## [1] 653 23conteorango <- sum(df$Precio >= 0 & df$Precio < 100, na.rm = TRUE)
conteorango## [1] 1df$Precio <- replace(df$Precio, df$Precio >= 0 & df$Precio < 100, NA)
df$Precio[is.na(df$Precio)] <- median(df$Precio, na.rm = TRUE)
#Eliminar valores extremos adicionales usando el rango intercuartil
q1 <- quantile(df$Precio, 0.25, na.rm=TRUE)
q3 <- quantile(df$Precio, 0.75, na.rm=TRUE)
rangointq <- q3 - q1
limite_inferior <- q1 - 1.5 * rangointq
limite_superior <- q3 + 1.5 * rangointq
df <- subset(df, Precio >= limite_inferior & Precio <= limite_superior)
summary(df$Precio)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 116.0 823.8 1728.0 2993.1 4250.0 12500.0dim(df)## [1] 600 23# Cambiar los valores
df$Cocina_equip <- gsub("Sí|Si ", "Si", df$Cocina_equip)
df$Gimnasio <- gsub("Sí|Si ", "Si", df$Gimnasio)
df$Amueblado <- gsub("Sí|Si ", "Si", df$Amueblado)
df$Alberca <- gsub("Sí|Si ", "Si", df$Alberca)
df$Alberca <- gsub("si|si ", "Si", df$Alberca)
df$Terraza <- gsub("Sí|Si ", "Si", df$Terraza)
df$Elevador <- gsub("Sí|Si ", "Si", df$Elevador)
df$Elevador <- gsub("si|si ", "Si", df$Elevador)
df$Cocina_equip <- gsub("No ", "No", df$Cocina_equip)
df$Gimnasio <- gsub("No ", "No", df$Gimnasio)
df$Amueblado <- gsub("No ", "No", df$Amueblado)
df$Alberca <- gsub("No ", "No", df$Alberca)
df$Terraza <- gsub("No ", "No", df$Terraza)
df$Elevador <- gsub("No ", "No", df$Elevador)
unique(df$Gimnasio)## [1] "Si" "No"#Conversión a factores
for (i in colnames(df)) {
if (is.character(df[[i]])) {
df[[i]] <- as.factor(df[[i]])
}
}
# Visualizar los datos
summary(df)## Alcaldia Colonia X1
## Iztapalapa : 92 Santa Fe : 22 Min. :0.350
## Tlahuac : 80 San Angel : 13 1st Qu.:1.020
## Alvaro Obregon : 79 San Jer\xf3nimo L\xedndice: 11 Median :1.400
## Gustavo A. Madero : 79 Lomas Estrella : 10 Mean :1.383
## Coyoacan : 45 Miguel Hidalgo : 10 3rd Qu.:1.550
## Venustiano Carranza: 33 Tepalcates : 9 Max. :2.800
## (Other) :192 (Other) :525
## X2 X3 X4 X5
## Min. :3.810 Min. :31.70 Min. : 6.07 Min. :18.46
## 1st Qu.:4.980 1st Qu.:40.21 1st Qu.:16.35 1st Qu.:24.42
## Median :5.620 Median :42.85 Median :18.21 Median :26.78
## Mean :5.355 Mean :42.56 Mean :17.46 Mean :26.61
## 3rd Qu.:5.680 3rd Qu.:46.56 3rd Qu.:20.05 3rd Qu.:28.25
## Max. :6.780 Max. :51.23 Max. :23.46 Max. :32.20
##
## X6 X7 X8 X9
## Min. :0.480 Min. : 0.030 Min. :0.02000 Min. : 3.170
## 1st Qu.:2.280 1st Qu.: 0.280 1st Qu.:0.03000 1st Qu.: 6.980
## Median :3.190 Median : 0.300 Median :0.05000 Median : 8.250
## Mean :3.476 Mean : 1.077 Mean :0.08055 Mean : 7.997
## 3rd Qu.:4.540 3rd Qu.: 0.710 3rd Qu.:0.10000 3rd Qu.: 9.560
## Max. :8.530 Max. :10.210 Max. :0.23000 Max. :13.060
##
## X10 Cocina_equip Gimnasio Amueblado Alberca Terraza Elevador
## Min. :15.15 No: 61 No:453 No:587 No:520 No:335 No:292
## 1st Qu.:36.60 Si:539 Si:147 Si: 13 Si: 80 Si:265 Si:308
## Median :43.86
## Mean :41.04
## 3rd Qu.:50.08
## Max. :63.97
##
## m2_construido Banos Recamaras Estacionamiento
## Min. : 34.00 Min. :1.000 Min. :1.000 Min. :0.000
## 1st Qu.: 57.00 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:1.000
## Median : 70.00 Median :1.000 Median :2.000 Median :1.000
## Mean : 88.24 Mean :1.562 Mean :2.262 Mean :1.289
## 3rd Qu.:100.25 3rd Qu.:2.000 3rd Qu.:3.000 3rd Qu.:2.000
## Max. :450.00 Max. :5.000 Max. :5.000 Max. :5.000
## NA's :1
## Precio
## Min. : 116.0
## 1st Qu.: 823.8
## Median : 1728.0
## Mean : 2993.1
## 3rd Qu.: 4250.0
## Max. :12500.0
## Obsevaciones: En la variable de precio, los valores aparecen estár en dolares por lo cual es necesario hacer una transformación de los datos. Tomaremos la tasa de dolares actual el cual es el 1 USD = 17.46 MX. Sin embargo los numeros son muy bajos, por lo cual es necesario hacer una mayor investigación para poder encontrar el trasfondo de esto. - Existen varias variables con valores de texto como lo son: estacionamieto, elevador, Cocina_equip, Gimnasio, Amueblado, Alcaldia y Colonia. Cada una de estas se debe de tratar de una manera diferente. - Las variables categóricas son: Cocina_equip, Gimnasio, Amueblado, Alberca, Terraza, Estacionamiento y Elevador. Estas variables se deberán de transformar en factores para poder ser analizadas. - Se analizo el caso de las variables podemos ver que en la base de datos se enlistan 16 Alcaldías y 313 colonias. Cambiaremos la variable colonia a factor para poder meterlas en el análisis. - Tras haber considerado el caso de la variable colonia, se llego a la conclusión que esta es una variable muy importante dado que hay colonias de muy buen nombre que aumentan el valor de una propiedad y otras que lo disminuyen. Por lo cual aunque sean 313 registros únicos, se trasnformará esta variable a factor para poder utilizarla durante el modelo.
Clusterización
# Seleccionar solo las variables numéricas
datos <- df[sapply(df, is.numeric)]
columnas_a_excluir <- c("Precio", "m2_construido", "Banos", "Recamaras", "Estacionamiento")
datos <- datos[, !names(datos) %in% columnas_a_excluir]# Escalar las variables numéricas
datos_escalados <- scale(datos[, 1:10])
# Calcular las medianas de las variables numéricas escaladas
medianas <- apply(datos_escalados, 2, median)
set.seed(123) # Para reproducibilidad
k <- 5 # Cambia este valor por el número de clusters que deseas
kmeans_model <- kmeans(datos_escalados, centers = k, nstart = 100)
print(kmeans_model)## K-means clustering with 5 clusters of sizes 82, 192, 35, 108, 183
##
## Cluster means:
## X1 X2 X3 X4 X5 X6
## 1 -1.6037374 0.1488367 -1.97652644 -1.9825309 -1.1529764 -1.3932097
## 2 0.1350862 -0.9444236 0.07136377 0.3033508 -0.0638233 0.2692828
## 3 2.2465181 -1.5090534 1.13400867 1.1039388 1.3276418 2.4010065
## 4 0.9981843 0.3914163 1.07478316 1.0333243 1.4970287 0.6594627
## 5 -0.4418695 0.9817958 -0.04040197 -0.2508890 -0.5538165 -0.5066465
## X7 X8 X9 X10
## 1 -0.475466076 -0.92629249 -1.7470793 -1.8351457
## 2 -0.009955435 -0.09749331 0.5422490 0.5095687
## 3 3.670806397 1.86751167 0.9106727 1.2656405
## 4 -0.169320246 1.54236290 0.8065967 0.8544954
## 5 -0.378644675 -0.75007323 -0.4362693 -0.4586785
##
## Clustering vector:
## 1 2 4 5 6 8 9 10 11 12 13 14 15 17 18 19 20 21 22 23
## 4 2 2 2 2 5 3 5 3 2 2 4 1 5 1 5 5 1 4 5
## 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 42 43 44 45
## 5 3 5 5 4 3 5 2 2 5 2 2 2 2 2 2 4 5 2 2
## 46 47 49 50 51 53 54 55 56 57 58 61 62 63 64 65 66 67 68 69
## 2 2 5 3 4 2 1 5 2 1 1 3 2 5 2 1 4 2 4 2
## 70 71 72 73 74 75 76 77 78 82 83 84 85 86 87 88 89 90 91 92
## 2 4 5 2 5 2 2 5 2 3 5 2 4 1 5 5 2 5 5 4
## 94 96 97 98 99 100 101 102 103 104 105 106 107 108 110 111 112 113 115 116
## 5 5 4 4 2 1 4 1 4 2 2 4 5 1 4 4 2 5 1 2
## 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
## 4 5 2 2 2 2 2 5 4 5 4 3 5 2 5 5 2 1 1 1
## 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156
## 4 2 5 1 2 4 1 2 4 2 2 5 2 5 4 5 2 4 2 2
## 157 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177
## 1 5 2 5 1 4 2 2 4 2 4 2 5 4 5 2 5 2 5 5
## 178 179 180 181 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
## 3 5 2 1 2 2 5 4 2 2 2 2 2 3 5 4 5 4 2 5
## 199 200 201 202 203 204 207 208 209 210 212 213 214 216 217 218 219 221 222 223
## 4 2 1 4 2 2 2 5 5 5 5 5 5 2 5 3 5 2 2 2
## 224 225 226 227 228 229 230 231 232 233 234 235 237 238 239 240 241 242 243 244
## 4 1 1 5 1 5 4 2 4 2 2 2 1 2 5 2 2 2 2 2
## 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 262 263 264 265
## 5 4 5 3 2 3 2 5 2 4 2 2 4 1 2 3 2 2 5 5
## 266 267 268 270 271 272 273 274 275 276 277 278 279 280 281 283 284 285 286 287
## 5 2 5 5 5 5 1 5 5 5 5 5 1 1 2 4 2 2 2 4
## 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307
## 1 1 3 5 1 2 5 5 1 4 2 2 4 5 5 5 5 4 1 5
## 308 309 310 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328
## 4 4 2 4 1 2 5 2 1 4 4 5 5 5 4 2 4 2 2 4
## 329 330 332 333 334 335 336 337 338 339 340 341 342 343 345 346 347 348 349 350
## 5 2 5 5 5 5 3 2 1 5 5 1 1 5 2 1 2 5 3 3
## 351 352 353 354 355 356 358 359 360 361 362 363 364 365 366 367 368 369 370 371
## 5 2 5 5 1 2 4 2 4 5 2 5 2 2 2 2 2 5 5 3
## 372 373 374 375 377 378 379 380 381 382 383 384 385 386 387 388 389 390 393 394
## 5 5 1 5 1 4 4 4 1 1 5 2 5 4 1 2 2 2 5 2
## 395 396 397 398 399 400 401 402 403 404 405 407 408 409 410 411 413 414 415 416
## 4 5 5 2 4 2 5 5 2 2 1 2 2 5 4 4 4 4 4 2
## 417 418 419 420 421 422 424 425 426 427 428 429 431 432 433 434 435 436 437 438
## 5 1 4 2 5 5 1 4 4 4 1 4 4 1 4 1 5 4 5 2
## 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458
## 5 5 4 2 1 2 5 3 4 4 5 3 1 2 5 5 5 5 2 4
## 459 460 461 462 463 464 465 466 467 469 470 471 472 473 474 475 476 477 478 479
## 5 1 4 5 4 5 5 5 3 5 5 4 5 4 2 2 2 4 5 1
## 480 481 482 483 484 485 486 487 488 489 491 492 493 495 496 497 498 499 500 502
## 3 2 2 1 2 2 3 5 4 5 1 1 4 2 1 5 2 2 2 2
## 503 504 505 506 507 509 510 511 512 513 514 515 516 517 518 519 520 522 523 525
## 1 5 2 3 2 2 5 5 2 4 1 4 1 3 3 1 2 3 4 5
## 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545
## 5 4 5 5 1 4 5 2 5 5 2 4 5 2 2 4 2 5 2 3
## 546 547 548 549 551 552 553 556 557 558 559 560 561 562 563 564 565 566 569 570
## 5 5 2 2 4 5 5 2 1 5 2 1 2 2 5 1 2 2 2 1
## 571 572 574 575 576 577 578 579 580 581 582 583 584 586 587 588 589 590 591 592
## 3 5 3 5 2 2 2 4 4 4 5 1 4 2 1 5 1 5 2 1
## 593 594 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613
## 5 5 3 1 2 2 2 2 4 5 5 2 2 4 3 1 2 5 3 5
## 615 616 617 618 620 621 622 624 625 626 627 628 629 630 631 632 634 635 636 637
## 1 5 1 1 2 2 5 2 4 4 2 2 5 2 5 5 3 2 2 1
## 638 639 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658
## 2 5 4 5 4 1 5 5 5 5 5 5 4 4 5 1 1 4 4 5
##
## Within cluster sum of squares by cluster:
## [1] 1.857432e+02 4.235956e+02 1.267021e+02 2.358975e-27 3.206382e+02
## (between_SS / total_SS = 82.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"# Asumiendo que kmeans_result$centers es una matriz
centros <- kmeans_model$centers
centros## X1 X2 X3 X4 X5 X6
## 1 -1.6037374 0.1488367 -1.97652644 -1.9825309 -1.1529764 -1.3932097
## 2 0.1350862 -0.9444236 0.07136377 0.3033508 -0.0638233 0.2692828
## 3 2.2465181 -1.5090534 1.13400867 1.1039388 1.3276418 2.4010065
## 4 0.9981843 0.3914163 1.07478316 1.0333243 1.4970287 0.6594627
## 5 -0.4418695 0.9817958 -0.04040197 -0.2508890 -0.5538165 -0.5066465
## X7 X8 X9 X10
## 1 -0.475466076 -0.92629249 -1.7470793 -1.8351457
## 2 -0.009955435 -0.09749331 0.5422490 0.5095687
## 3 3.670806397 1.86751167 0.9106727 1.2656405
## 4 -0.169320246 1.54236290 0.8065967 0.8544954
## 5 -0.378644675 -0.75007323 -0.4362693 -0.4586785# Transponer la matriz para que las filas representen variables y las columnas representen centros de clústeres
centros_transpuestos <- t(centros)
# Crear un vector de colores para diferenciar cada clúster
colores <- c("red", "blue", "green", "yellow","purple")
# Graficar un barplot para cada centro de clúster
barplot(centros_transpuestos, beside = TRUE, col = colores,
legend.text = rownames(centros), ylim = c(min(centros_transpuestos), max(centros_transpuestos)),
main = "Centros de Clústeres de K-means",
ylab = "Valor",
xlab = "Variables")
# Añadir una leyenda para identificar cada clúster
legend("topright", legend = paste("Clúster", 1:nrow(centros)), fill = colores)
# Ajustar el modelo k-means para diferentes valores de k
set.seed(123) # Para reproducibilidad
wcss <- vector() # Inicializar vector para almacenar los valores de WCSS
max_k <- 5 # Puedes cambiar esto para probar con más clústeres si lo deseas
for (k in 1:max_k) {
kmeans_model2 <- kmeans(datos_escalados, centers = k, nstart = 25)
wcss[k] <- kmeans_model2$tot.withinss
}
# Graficar el método del codo
par(mar = c(4, 4, 1, 1)) # Los números representan los márgenes inferior, izquierdo, superior y derecho respectivamente.
plot(1:max_k, wcss, type = "b", xlab = "Numero de Clusters", ylab = "WCSS", main = "Metodo del Codo", pch = 19, frame = FALSE)
# Añadir la columna de clusters al DataFrame original
df$Cluster <- kmeans_model2$clusterÁrboles de Decisión
Cluster 1 - Media-Alta
library(rpart.plot)
library(party)
library(gmodels)
library(caret)
library(rpart)
# Establecer la semilla para reproducibilidad
set.seed(123)
# Paso 1: Dividir el conjunto de datos en entrenamiento (50%) y temporal (50%)
trainIndex1 <- createDataPartition(cluster_1$Precio, p = 0.5, list = FALSE, times = 1)
train <- cluster_1[trainIndex1, ]
temp <- cluster_1[-trainIndex1, ]
# Paso 2: Dividir el conjunto temporal en validación (50% de temp) y prueba (50% de temp)
trainIndex2 <- createDataPartition(temp$Precio, p = 0.5, list = FALSE, times = 1)
validation <- temp[trainIndex2, ]
test <- temp[-trainIndex2, ]
##### ARBOLES ######################################################
# Construir el árbol de decisión
tree <- rpart(Precio ~ ., data = train, method = "anova", control = rpart.control(cp = 0.00))
rpart.plot(tree, box.palette = "blue", digits = 4, fallen.leaves = TRUE, type = 3, extra = 101)
# Visualizar la curva de complejidad de costo
plotcp(tree)
En este caso, como el cluster #1 tiene solamente 35 observaciones, el árbol no puede ser completado, solo hay un solo nodo. Sin embargo, algo que se puede hacer para predecir el precio de este cluster es una regresión lineal.
Cluster 2 - Unifamiliar
# Establecer la semilla para reproducibilidad
set.seed(123)
# Paso 1: Dividir el conjunto de datos en entrenamiento (50%) y temporal (50%)
trainIndex1.2 <- createDataPartition(cluster_2$Precio, p = 0.5, list = FALSE, times = 1)
train2 <- cluster_2[trainIndex1.2, ]
temp2 <- cluster_2[-trainIndex1.2, ]
# Paso 2: Dividir el conjunto temporal en validación (50% de temp) y prueba (50% de temp)
trainIndex2.2 <- createDataPartition(temp2$Precio, p = 0.5, list = FALSE, times = 1)
validation2 <- temp2[trainIndex2.2, ]
test2 <- temp2[-trainIndex2.2, ]
##### ARBOLES ######################################################
# Construir el árbol de decisión
tree2 <- rpart(Precio ~ ., data = train2, method = "anova", control = rpart.control(cp = 0.00))
rpart.plot(tree2, box.palette = "blue", digits = 4, fallen.leaves = TRUE, type = 3, extra = 101)
# Visualizar la curva de complejidad de costo
plotcp(tree2)
################# Validación Cruzada ##################################
#### IMputar valores faltantes
preproc2 <- preProcess(validation2, method = "medianImpute")
validation_clean2 <- predict(preproc2, cluster_2)
# Definir el método de control de entrenamiento para la validación cruzada k-fold 10 pliegues o subconjuntos. El modelo se entrena 10 veces
ctrl2 <- trainControl(method = "cv", number = 10)
# Entrenar el modelo con validación cruzada
tree_model_cv2 <- train(Precio ~ ., data = validation_clean2,
method = "rpart",
trControl = ctrl2,
tuneLength = 10)## Warning in nominalTrainWorkflow(x = x, y = y, wts = weights, info = trainInfo,
## : There were missing values in resampled performance measures.# Ver los resultados
print(tree_model_cv2)## CART
##
## 192 samples
## 11 predictor
##
## No pre-processing
## Resampling: Cross-Validated (10 fold)
## Summary of sample sizes: 173, 173, 174, 172, 173, 173, ...
## Resampling results across tuning parameters:
##
## cp RMSE Rsquared MAE
## 0.0007848334 1107.696 0.4596735 607.2084
## 0.0008534400 1107.829 0.4595144 609.3239
## 0.0020341468 1107.618 0.4594690 606.0824
## 0.0020740157 1107.618 0.4594690 606.0824
## 0.0038770108 1101.681 0.4858225 589.4688
## 0.0044975125 1101.977 0.4832724 596.7939
## 0.0080580979 1095.105 0.4902118 581.4597
## 0.0254797830 1080.817 0.5064555 568.8507
## 0.1523344086 1125.970 0.4517953 600.6363
## 0.4222843461 1299.772 0.3678800 743.5418
##
## RMSE was used to select the optimal model using the smallest value.
## The final value used for the model was cp = 0.02547978.# Elegir un valor de cp basado en la gráfica y podar el árbol
#pruned_tree <- prune(tree, cp = 0.0026)
# Visualizar el árbol podado
#rpart.plot(pruned_tree)Al hacer la validación cruzada, no es necesario podar el árbol. Resulta innecesario ya que al podarlo solo representa un solo nodo. Mientras que cuando
Cluster 3 - Amplia
# Establecer la semilla para reproducibilidad
set.seed(123)
# Paso 1: Dividir el conjunto de datos en entrenamiento (50%) y temporal (50%)
trainIndex1.3 <- createDataPartition(cluster_3$Precio, p = 0.5, list = FALSE, times = 1)
train3 <- cluster_3[trainIndex1.3, ]
temp3 <- cluster_3[-trainIndex1.3, ]
# Paso 2: Dividir el conjunto temporal en validación (50% de temp) y prueba (50% de temp)
trainIndex2.3 <- createDataPartition(temp3$Precio, p = 0.5, list = FALSE, times = 1)
validation3 <- temp3[trainIndex2.3, ]
test3 <- temp3[-trainIndex2.3, ]
##### ARBOLES ######################################################
# Construir el árbol de decisión
tree3 <- rpart(Precio ~ ., data = train3, method = "anova", control = rpart.control(cp = 0.00))
rpart.plot(tree3, box.palette = "blue", digits = 4, fallen.leaves = TRUE, type = 3, extra = 101)
# Visualizar la curva de complejidad de costo
plotcp(tree3)
################# Validación Cruzada ##################################
#### IMputar valores faltantes
preproc3 <- preProcess(validation3, method = "medianImpute")
validation_clean3 <- predict(preproc3, cluster_3)
# Definir el método de control de entrenamiento para la validación cruzada k-fold 10 pliegues o subconjuntos. El modelo se entrena 10 veces
ctrl3 <- trainControl(method = "cv", number = 10)
# Entrenar el modelo con validación cruzada
tree_model_cv3 <- train(Precio ~ ., data = validation_clean3,
method = "rpart",
trControl = ctrl3,
tuneLength = 10)## Warning in nominalTrainWorkflow(x = x, y = y, wts = weights, info = trainInfo,
## : There were missing values in resampled performance measures.# Ver los resultados
print(tree_model_cv3)## CART
##
## 82 samples
## 11 predictors
##
## No pre-processing
## Resampling: Cross-Validated (10 fold)
## Summary of sample sizes: 74, 73, 74, 73, 74, 74, ...
## Resampling results across tuning parameters:
##
## cp RMSE Rsquared MAE
## 0.00000000 1970.484 0.5503227 1441.194
## 0.05291429 2018.455 0.5337901 1498.605
## 0.10582859 2281.794 0.4932048 1739.510
## 0.15874288 2295.473 0.4937736 1767.036
## 0.21165717 2295.473 0.4937736 1767.036
## 0.26457147 2295.473 0.4937736 1767.036
## 0.31748576 2295.473 0.4937736 1767.036
## 0.37040005 2295.473 0.4937736 1767.036
## 0.42331434 2295.473 0.4937736 1767.036
## 0.47622864 2833.684 0.2302327 2165.196
##
## RMSE was used to select the optimal model using the smallest value.
## The final value used for the model was cp = 0.#El valor optimo es 0, no es necesaria la poda de árbol.Al hacer la validación cruzada, vimos que el valor usado para el modelo será 0, y como fue el valor default, no fue necesario hacer una poda de árbol.
Asimismo, vemos que mientras depende mucho de los m2 construidos. Sin embargo, mientras que se puede tener una menor cantidad de m2 construidos, el hecho de tener un elevador incrementa el precio de 1947 a 3316.
Cluster 4 - Delujo
# Establecer la semilla para reproducibilidad
set.seed(123)
# Paso 1: Dividir el conjunto de datos en entrenamiento (50%) y temporal (50%)
trainIndex1.4 <- createDataPartition(cluster_4$Precio, p = 0.5, list = FALSE, times = 1)
train4 <- cluster_4[trainIndex1.4, ]
temp4 <- cluster_4[-trainIndex1.4, ]
# Paso 2: Dividir el conjunto temporal en validación (50% de temp) y prueba (50% de temp)
trainIndex2.4 <- createDataPartition(temp4$Precio, p = 0.5, list = FALSE, times = 1)
validation4 <- temp4[trainIndex2.4, ]
test4 <- temp4[-trainIndex2.4, ]
##### ARBOLES ######################################################
# Construir el árbol de decisión
tree4 <- rpart(Precio ~ ., data = train4, method = "anova", control = rpart.control(cp = 0.00))
rpart.plot(tree4, box.palette = "blue", digits = 4, fallen.leaves = TRUE, type = 3, extra = 101)
# Visualizar la curva de complejidad de costo
plotcp(tree4)
################# Validación Cruzada ##################################
#### IMputar valores faltantes
preproc4 <- preProcess(validation4, method = "medianImpute")
validation_clean4 <- predict(preproc4, cluster_4)
# Definir el método de control de entrenamiento para la validación cruzada k-fold 10 pliegues o subconjuntos. El modelo se entrena 10 veces
ctrl4 <- trainControl(method = "cv", number = 10)
# Entrenar el modelo con validación cruzada
tree_model_cv4 <- train(Precio ~ ., data = validation_clean4,
method = "rpart",
trControl = ctrl4,
tuneLength = 10)## Warning in nominalTrainWorkflow(x = x, y = y, wts = weights, info = trainInfo,
## : There were missing values in resampled performance measures.# Ver los resultados
print(tree_model_cv4)## CART
##
## 183 samples
## 11 predictor
##
## No pre-processing
## Resampling: Cross-Validated (10 fold)
## Summary of sample sizes: 163, 164, 164, 166, 165, 166, ...
## Resampling results across tuning parameters:
##
## cp RMSE Rsquared MAE
## 0.005263546 1622.614 0.7858606 1235.790
## 0.005794178 1631.211 0.7833522 1253.097
## 0.006091701 1628.053 0.7843163 1249.971
## 0.008032659 1630.418 0.7813048 1265.545
## 0.009008367 1629.381 0.7808608 1259.633
## 0.016882122 1613.739 0.7820819 1241.190
## 0.024773861 1729.265 0.7623256 1347.685
## 0.055071677 1900.941 0.6972227 1552.519
## 0.083200306 2037.022 0.6561959 1675.936
## 0.636359286 2558.785 0.5919603 2122.939
##
## RMSE was used to select the optimal model using the smallest value.
## The final value used for the model was cp = 0.01688212.#El valor optimo es 0, no es necesaria la poda de árbol.Cluster 5 - Tradicional
# Establecer la semilla para reproducibilidad
set.seed(123)
# Paso 1: Dividir el conjunto de datos en entrenamiento (50%) y temporal (50%)
trainIndex1.5 <- createDataPartition(cluster_5$Precio, p = 0.5, list = FALSE, times = 1)
train5 <- cluster_5[trainIndex1.5, ]
temp5 <- cluster_5[-trainIndex1.5, ]
# Paso 2: Dividir el conjunto temporal en validación (50% de temp) y prueba (50% de temp)
trainIndex2.5 <- createDataPartition(temp5$Precio, p = 0.5, list = FALSE, times = 1)
validation5 <- temp5[trainIndex2.5, ]
test5 <- temp5[-trainIndex2.5, ]
##### ARBOLES ######################################################
# Construir el árbol de decisión
tree5 <- rpart(Precio ~ ., data = train5, method = "anova", control = rpart.control(cp = 0.00))
rpart.plot(tree5, box.palette = "blue", digits = 4, fallen.leaves = TRUE, type = 3, extra = 101)
# Visualizar la curva de complejidad de costo
plotcp(tree5)
################# Validación Cruzada ##################################
#### IMputar valores faltantes
preproc5 <- preProcess(validation5, method = "medianImpute")
validation_clean5 <- predict(preproc5, cluster_5)
# Definir el método de control de entrenamiento para la validación cruzada k-fold 10 pliegues o subconjuntos. El modelo se entrena 10 veces
ctrl5 <- trainControl(method = "cv", number = 10)
# Entrenar el modelo con validación cruzada
tree_model_cv5 <- train(Precio ~ ., data = validation_clean5,
method = "rpart",
trControl = ctrl5,
tuneLength = 10)## Warning in nominalTrainWorkflow(x = x, y = y, wts = weights, info = trainInfo,
## : There were missing values in resampled performance measures.# Ver los resultados
print(tree_model_cv5)## CART
##
## 108 samples
## 11 predictor
##
## No pre-processing
## Resampling: Cross-Validated (10 fold)
## Summary of sample sizes: 96, 97, 96, 97, 97, 98, ...
## Resampling results across tuning parameters:
##
## cp RMSE Rsquared MAE
## 0.00000000 887.3915 0.7915471 573.6994
## 0.08986108 945.6684 0.7841355 618.3612
## 0.17972216 945.6684 0.7841355 618.3612
## 0.26958323 945.6684 0.7841355 618.3612
## 0.35944431 945.6684 0.7841355 618.3612
## 0.44930539 945.6684 0.7841355 618.3612
## 0.53916647 945.6684 0.7841355 618.3612
## 0.62902754 945.6684 0.7841355 618.3612
## 0.71888862 945.6684 0.7841355 618.3612
## 0.80874970 1680.1491 0.5572946 1087.2293
##
## RMSE was used to select the optimal model using the smallest value.
## The final value used for the model was cp = 0.#El valor optimo es 0, no es necesaria la poda de árbol.Razón de nombres de clusters
1 - Media-Alta: Contiene más estacionamientos y recamaras, muy bueno para una familia de altos recursos.
2 - Unifamiliar: Contiene muchos cuartos, perfecto para una familia a un precio menor y tiene menos m2.
3 - Amplia: Tiene un rango de m2 mayor.
4 - Delujo: Precios altos, m2 mayores, y una mayor cantidad de baños.
5 - Tradicional: Contiene un rango de m2 menor.
Conclusión
Resumen del Código Carga y Exploración de Datos Se cargan los datos desde un archivo CSV, y se realiza una exploración y limpieza inicial. Se identifican y eliminan duplicados. Se ajustan valores extremos y se realiza una transformación de variables categóricas a factores.
Transformación y Limpieza de Datos Se realizan transformaciones en variables de texto, se convierten las variables categóricas en factores y se destaca la importancia de la variable “Colonia” en el análisis.
Clusterización Se seleccionan las variables numéricas y se escalan. Se aplica el algoritmo de K-means para agrupar los datos en clusters. Se analiza el método del codo para determinar el número óptimo de clusters.
Árboles de Decisión por Cluster Para cada cluster identificado, se construye un árbol de decisión utilizando el método de regresión por partición (rpart). Se realiza la validación cruzada para afinar el modelo y se grafican los resultados.
Conclusiones y Recomendaciones Se identificó la necesidad de ajustar la variable de precio para reflejar la tasa de cambio a pesos mexicanos. Las variables categóricas se transformaron adecuadamente para su inclusión en el análisis. La variable “Colonia” se reconoce como crucial, y se sugiere su conversión a factor para un análisis más profundo. La clusterización permitió identificar patrones dentro de los datos, facilitando la creación de modelos específicos para cada grupo. Los árboles de decisión proporcionan una comprensión detallada de cómo ciertas variables influyen en el precio en cada cluster. Se recomienda continuar refinando los modelos, explorar otras técnicas de aprendizaje automático y considerar la inclusión de más variables relevantes para mejorar la precisión en la predicción de precios inmobiliarios. Además, se sugiere realizar un seguimiento constante de los resultados obtenidos para garantizar la actualización continua de las estrategias comerciales.