Detectar zonas de revalorización inmobiliaria con una Graph Neural Network

El precio de un barrio no se explica solo por sus propias características. Un barrio modesto pegado a una zona en auge tiende a revalorizarse por contagio. Esa dinámica de vecindad es invisible para un modelo tabular clásico, que mira cada zona de forma aislada. Es, en cambio, el caso de uso natural de una red neuronal de grafos.

El problema

Predecir qué zonas de una ciudad tienen mayor potencial de revalorización, tratando la ciudad no como una tabla de barrios independientes, sino como un grafo donde los barrios colindantes se influyen entre sí.

La arquitectura: message passing

Modelé cada barrio como un nodo, con features socioeconómicas y de mercado, y conecté los barrios colindantes con aristas. Sobre ese grafo apliqué 2 rondas de message passing: en cada ronda, cada nodo agrega información de sus vecinos y actualiza su representación. Tras dos rondas, la representación de un barrio incorpora información de su vecindad de segundo orden —los vecinos de sus vecinos.

Combiné esa representación de grafo con un clasificador XGBoost para la predicción final, y serví el resultado sobre un mapa interactivo con Leaflet.js.

Resultados (y honestidad sobre ellos)

• F1-score (macro): 0.61
• MCC: 0.41
• 2 rondas de message passing.

Estos números son moderados, y lo asumo: predecir revalorización es genuinamente difícil y los datos geoespaciales disponibles son limitados. Pero el modelo captura señal real de vecindad que un baseline tabular no ve, y ese era el objetivo del experimento.

Qué aprendí

Que elegir la estructura de datos correcta (un grafo) a veces importa más que el algoritmo. Y que reportar métricas modestas con honestidad es parte del trabajo: no todo problema se resuelve con un F1 de 0.95, y fingir lo contrario es el camino más rápido a un modelo que falla en producción.