Immobilier & Machine Learning

L’étude porte sur les prix d’offre publiés en ligne, avec des informations incomplètes et très variables selon les biens. L’objectif était de construire une méthode reproductible, de comparer les modèles par catégorie et d’identifier les marchés pour lesquels les données disponibles permettent une estimation suffisamment robuste.

La collecte a été réalisée par scripts Python dédiés à chaque catégorie de bien. Requests et BeautifulSoup ont été utilisés pour parcourir les pages, extraire les liens puis récupérer les caractéristiques détaillées des annonces.

Au total, 23 530 annonces brutes ont été collectées sur cinq catégories : appartements, villas/riads, terrains, bureaux et locaux commerciaux.

Le prétraitement a été adapté aux spécificités de chaque catégorie afin d’éviter d’appliquer une règle uniforme à des marchés très hétérogènes.

• suppression des doublons et des annonces sans prix
• transformation et encodage des variables catégorielles
• KNNImputer avec k=3 retenu après validation croisée
• standardisation des variables numériques
• comparaison Percentiles, IQR, Z-score et Isolation Forest pour les outliers

Des variables dérivées ont été construites pour représenter les caractéristiques immobilières et réduire la redondance entre informations.

Quatre familles de modèles ont été comparées : KNN, Random Forest, Gradient Boosting et XGBoost.

Les données ont été séparées en 80 % apprentissage / 20 % test. L’optimisation des hyperparamètres a été réalisée avec GridSearchCV à 5 plis, puis les configurations ont été comparées via R², MAE, RMSE, validation croisée et écart train-test.

Gradient Boosting obtient les meilleurs résultats retenus pour les appartements, les villas et les locaux commerciaux. Le choix final intègre le R², les erreurs de prédiction, la stabilité et la taille de l’échantillon conservé.

Pour les bureaux et les terrains, la robustesse reste faible : trop peu d’observations réellement exploitables, forte hétérogénéité et variables métier essentielles absentes ou incomplètes.

Ces deux catégories nécessitent un enrichissement des données et le croisement de sources complémentaires pour améliorer la fiabilité des estimations.