The latest articles on DEV Community by Oscar Fraile (@oscarfraile). https://dev.to/oscarfraile https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F3923100%2F3abcf6c5-11ac-48ed-be83-911e14147987.jpeg https://dev.to/oscarfraile en Oscar Fraile Fri, 15 May 2026 06:53:31 +0000 https://dev.to/evolve-space/sabrias-donde-invertir-en-madrid-add https://dev.to/evolve-space/sabrias-donde-invertir-en-madrid-add <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdblyjbrftzfz3o2abts0.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdblyjbrftzfz3o2abts0.png" alt=" " width="800" height="640"></a></p> <h2> El problema </h2> <p>Madrid tiene miles de alojamientos en Airbnb. La pregunta que me hice fue simple: ¿se puede predecir qué alojamientos son rentables antes de invertir en ellos?</p> <p>No como ejercicio teórico. Como un sistema que funcione sobre datos nuevos, sin intervención manual.</p> <h2> El dataset </h2> <p>Datos públicos de <a href="https://insideairbnb.com/get-the-data/" rel="noopener noreferrer">Inside Airbnb</a> — más de 30.000 registros de alojamientos en Madrid con información de precio, ubicación, tipo de propiedad, disponibilidad y reseñas.</p> <p>El target: clasificación binaria. Alta rentabilidad vs baja rentabilidad, definida a partir de variables de precio y ocupación estimada.</p> <h2> El proceso </h2> <p>El pipeline completo está estructurado en notebooks numerados, desde el dato crudo hasta la predicción en producción:</p> <p><strong>1. Limpieza y calidad de datos</strong><br> Variables con alto porcentaje de nulos, outliers en precio, registros duplicados. El dataset de Airbnb tiene bastante ruido — esta fase llevó más tiempo del esperado.</p> <p><strong>2. Ingeniería de variables</strong><br> Transformaciones, encoding de variables categóricas (barrio, tipo de propiedad) y creación de nuevas features a partir de combinaciones existentes.</p> <p><strong>3. Preselección de variables</strong><br> Con métodos estadísticos para reducir dimensionalidad antes de modelizar. No meter todo al modelo y esperar lo mejor.</p> <p><strong>4. Balanceo</strong><br> El dataset estaba desbalanceado. Se aplicó undersampling para que el modelo no aprendiera solo la clase mayoritaria.</p> <p><strong>5. Modelización</strong><br> Se testaron varios algoritmos con RandomizedSearchCV. El ganador: XGBoost con <code>binary:logistic</code>.</p> <p><strong>Resultado: AUC-ROC de 0.997 sobre el conjunto de validación.</strong></p> <p><strong>6. Producción</strong><br> El modelo está serializado en pipelines <code>.pickle</code> que se ejecutan directamente sobre nuevos datos sin reentrenar.</p> <h2> La visualización </h2> <p>Un mapa interactivo (Folium) muestra cada alojamiento coloreado según su potencial de rentabilidad, segmentado por barrios de Madrid. Permite identificar zonas de alta concentración de alojamientos rentables de un vistazo.</p> <h2> Lo que aprendí </h2> <ul> <li>La calidad del dato importa más que el algoritmo. Con datos sucios, XGBoost no te salva.</li> <li>Definir bien el target es la decisión más importante del proyecto. Si el target está mal definido, todo lo demás está mal.</li> <li>Un AUC-ROC de 0.997 en validación es una señal de alerta antes de celebrarlo — hay que verificar que no haya data leakage.</li> </ul> <h2> Repositorio </h2> <p>Todo el código, notebooks y pipelines están disponibles en GitHub:<br> 👉 <a href="https://github.com/OscarFraile/Proyecto-Master-DataScience-Evolve-OscarFraile" rel="noopener noreferrer">github.com/OscarFraile/Proyecto-Master-DataScience-Evolve-OscarFraile</a></p> <p>Si tienes alguna propuesta, coméntamela en Github y la haremos realidad!</p> <p><em>Proyecto académico desarrollado durante el Master en Data Science de Evolve.</em></p> evolve machinelearning datascience xgboost