Realizzazione di un cruscotto per la valutazione immobiliare basato su machine learning

This thesis describes the development of a real estate dashboard based on machine learning techniques, carried out during an internship at the company "Certimeter SRL," now part of "Lutech SPA." The project's goal was to create an interactive tool, usable by both appraisers and private individuals, to support real estate valuation through the analysis of historical data and predictive models. The project was structured into two main phases. In the first phase, a data analysis was conducted, during which the dataset, provided by real estate appraisers, was examined using Exploratory Data Analysis (EDA) techniques. The aim was to understand the main characteristics of the data and identify the most influential variables affecting the target (real estate prices). This phase also involved addressing issues related to missing values, anomalies, and non-uniform distributions. The second phase focused on studying, building, and comparing the performance of machine learning models, with particular attention to regression techniques and tree-based models. This work represents a practical example of the application of machine learning to the real estate sector, with potential future developments related to the integration of additional features and data.

Questa tesi descrive lo sviluppo di un cruscotto immobiliare basato su tecniche di machine learning, realizzato durante uno stage presso l'azienda "Certimeter SRL", ora facente parte di "Lutech SPA". L'obiettivo del progetto è stato creare uno strumento interattivo, utilizzabile sia da periti che da privati, per supportare la valutazione di immobili attraverso l'analisi di dati storici e modelli predittivi. Il progetto è stato articolato in due fasi principali. Nella prima fase è stata condotta un’analisi dei dati durante la quale il dataset, fornito da periti immobiliari, è stato analizzato attraverso tecniche di Exploratory Data Analysis (EDA) con lo scopo di comprendere le caratteristiche principali dei dati e identificare le variabili più influenti sul target (il prezzo degli immobili). Durante questa fase si è anche pensato a come risolvere problemi legati a valori mancanti, anomalie e distribuzioni non uniformi. La seconda fase, invece, ha riguardato lo studio, la costruzione e il confronto delle performance di modelli di machine learning, con un focus particolare su tecniche di regressione e modelli basati su alberi decisionali. Questo lavoro rappresenta un esempio pratico dell'applicazione del machine learning al settore immobiliare, con potenziali sviluppi futuri legati all'integrazione di ulteriori funzionalità e dati.