Abstract:
La richiesta di sistemi automatici intelligenti per la valutazione immobiliare è una necessità crescente per l'economia: i prezzi delle case sono influenzati da vari fattori la cui relazione con il prezzo finale è troppo complessa da stimare o non è chiara. I metodi tradizionali di stima edonica degli immobili, che si basano esclusivamente sulla valutazione di alcuni elementi, mancano di precisione nel determinare il vero valore degli immobili. Grazie alla loro capacità di rilevare la possibile relazione tra le variabili di input e di output, i modelli di apprendimento automatico vengono sempre più utilizzati per la determinazione del prezzo degli immobili al fine di superare i limiti dei metodi di valutazione convenzionali.
In questa ricerca è stato applicato un modello di rete neurale per prevedere il prezzo più basso e quello più alto per metro quadrato di immobile per ogni comune italiano. La messa a punto degli iperparametri è stata eseguita attraverso tecniche metodologiche e basate sulla griglia di ricerca.
È stato costruito un dataset di 28 variabili esplicative del settore immobiliare residenziale italiano utilizzando dati raccolti da fornitori istituzionali e nazionali.
Gli esperimenti, eseguiti su sottoinsiemi, hanno mostrato un potere predittivo coerente col modello scelto sia in-sample che out-sample. La precisione e le prestazioni del modello sono state valutate utilizzando l'errore quadratico medio e metriche aggiuntive basate sulla deviazione dal prezzo reale.
