Detección de Zonas de Revalorización con XGBoost y GNN: arquitectura y resultados

He construido un modelo de clasificación de zonas inmobiliarias que predice el nivel de revalorización (Baja, Media, Alta) combinando XGBoost y una red neuronal de grafos (GNN).

Problema y datos de origen

El Instituto Nacional de Estadística (INE) publica índices de precios de vivienda (IPV) a nivel nacional, pero no a nivel de distrito. Para entrenar el modelo he generado 3.200 barrios sintéticos calibrados con las estadísticas del IPV 2015‑2024, manteniendo una distribución equilibrada entre las tres clases.

Arquitectura del modelo

• XGBoost: clasificador base que recibe variables estructurales y demográficas de cada barrio y produce una probabilidad para cada clase.
• GNN de 2 rounds de message‑passing: representa los barrios como nodos de un grafo espacial; cada nodo intercambia su score con los vecinos adyacentes. El primer round combina 65 % del score local con 35 % de la media de los vecinos, y el segundo round refina la señal.
• FastAPI + Leaflet.js: API que expone la predicción y visualiza los resultados en un mapa interactivo.

Métricas de desempeño

En validación cruzada 5‑fold obtengo:

• F1‑macro = 0.61 (desviación ±0.02)
• MCC = 0.41, lo que indica una correlación real del 41 % respecto a un clasificador aleatorio.
• Coherencia espacial validada en 7 ciudades diferentes.

Decisiones técnicas

• Uso de XGBoost por su capacidad de manejar variables heterogéneas y su rapidez de entrenamiento.
• Incorporación de la GNN para capturar el “efecto contagio” de gentrificación, que no se refleja en atributos locales.
• Dos rounds de message‑passing resultan suficientes para estabilizar la señal sin sobre‑suavizar.
• FastAPI permite servir el modelo con bajo overhead; Leaflet.js facilita la visualización geoespacial sin dependencias pesadas.

Resultados y disponibilidad

El modelo clasifica correctamente la mayoría de los barrios sintéticos y muestra patrones de revalorización compatibles con la literatura urbana. Todo el código está disponible públicamente y puede reutilizarse siempre que se cite la web del autor.

Demo interactiva: adrianmoreno-dev.com/deteccion-zonas

Repositorio: github.com/Chupacharcos/deteccion-zonas