Modelo de regresión lineal con regularización L1 (Lasso) para estimar el precio de vivienda residencial a partir de cinco indicadores agregados del área (ingreso, edad media de las casas, habitaciones, dormitorios, población). Entrenado sobre el dataset gusdelact/USA_Housing.

Información del Modelo

Tipo: LassoCV (Lasso con CV interno de 5 folds)
Hiperparámetros: α = 227 (l1_ratio: None)
Selección de modelo: mejor RMSE en holdout test entre OLS, Ridge, Lasso y ElasticNet
Framework: scikit-learn 1.8.0
Autor: gusdelact
Fecha de entrenamiento: 2026-05-26T19:28:21.185974Z

Uso previsto

Tarea: regresión continua (USD).
Decisión que dispara la predicción: fijar precio de listado en valuación inmobiliaria automática.
Costo de errores: simétrico (un USD de sobre-estimación duele igual que uno de sub-estimación).

Métricas en holdout test (1000 obs.)

Métrica	Valor	Umbral preliminar	Estado
RMSE (primaria)	$100,440	≤ $130,000	✅
R² (secundaria)	0.9180	≥ 0.85	✅
MAE	$80,872	—	informativo
MAPE	7.39%	—	informativo

Reducción de RMSE vs baseline naïf (predecir media de train): 71.4%.

Diagnóstico de residuales

Estadístico	Valor	Esperado
Media	$366.98	≈ 0
Desviación estándar	$100,490	—
Skewness	0.102	≈ 0
Kurtosis	-0.111	≈ 0
Shapiro p-value	0.6019	> 0.05 ⇒ normal

Las asunciones canónicas de regresión lineal (linealidad, normalidad de residuales, homocedasticidad) se sostienen.

Coeficientes (escala estandarizada)

Feature	β
`Avg. Area Income`	+231,511.34
`Avg. Area House Age`	+163,348.13
`Avg. Area Number of Rooms`	+120,563.11
`Avg. Area Number of Bedrooms`	+2,842.59
`Area Population`	+151,996.25
(intercept)	$1,229,576.99

Interpretación: un cambio de 1 desviación estándar en la feature mueve el precio en β USD, manteniendo el resto fijo.

Cómo usar

python

import joblib
import pandas as pd
from huggingface_hub import hf_hub_download

REPO_ID = "gusdelact/usa-housing-price-lr"

model_path = hf_hub_download(REPO_ID, "model.joblib")
prep_path = hf_hub_download(REPO_ID, "preprocessor.joblib")
model = joblib.load(model_path)
preprocessor = joblib.load(prep_path)

# Importante: usar el orden exacto de columnas indicado en model_info.json
features = ['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms', 'Avg. Area Number of Bedrooms', 'Area Population']

raw = pd.DataFrame([[
    68_804,    # Avg. Area Income
    5.97,      # Avg. Area House Age
    7.00,      # Avg. Area Number of Rooms
    4.05,      # Avg. Area Number of Bedrooms
    36_199,    # Area Population
]], columns=features)

X = preprocessor.transform(raw)
price = model.predict(X)[0]
print(f"Precio estimado: ${price:,.0f}")

Dataset

Origen: gusdelact/USA_Housing (5000 filas × 7 columnas).
Target: Price (USD, continuo).
Features usadas: 5 indicadores numéricos del área (ver feature_order en model_info.json). La columna Address se descartó (texto libre, sin señal estructurada).

Pipeline de entrenamiento

Ingesta desde HF Hub.
EDA (target casi-normal, sin nulos, sin duplicados, sin multicolinealidad |r| > 0.85, outliers < 1% por feature).
Split 80/20 sin estratificación (regresión continua simétrica).
StandardScaler (fit en train, transform en test).
Entrenamiento de OLS, RidgeCV, LassoCV y ElasticNetCV con CV=5, scoring='neg_root_mean_squared_error'.
Selección del modelo ganador por menor RMSE_test.
Validación de asunciones lineales y umbrales de utilidad.

Limitaciones conocidas

Dataset sintético / educativo. USA_Housing.csv es un clásico de demostración con correlaciones limpias y target casi-normal. Datos reales de housing suelen tener Price con cola pesada (log-transform necesaria) y multicolinealidad fuerte. Las conclusiones aquí NO se generalizan a un sistema productivo de valuación sin reentrenar con datos reales.
Address descartado. La dirección contiene ciudad/estado/ZIP, que en un sistema productivo serían altamente predictivos. El modelo no incorpora esa señal.
Empate técnico entre OLS, Ridge, Lasso y ElasticNet. Con n=4000 y p=5, la regularización no aporta ganancia mensurable sobre OLS. Lasso gana por menos de $5 USD de RMSE_test, dentro del ruido de CV ($905). En producción, OLS sería defendible por simplicidad.

Cómo citar

bibtex

@misc{usa_housing_price_lr,
  author = {gusdelact},
  title  = {USA Housing Price — Linear Regression with Regularization},
  year   = {2026},
  publisher = {Hugging Face},
  url    = {https://huggingface.co/gusdelact/usa-housing-price-lr}
}