Predictive Analysis of Real Estate Prices in the Veneto Region: From Classical Approaches to Machine Learning Models

This thesis aims to predict the price per square meter of residential properties using data from five cities in the Veneto region—Venice, Mestre, Padua, Treviso, and Verona. The analysis focuses exclusively on central urban areas and considers several housing characteristics, including the number of rooms and bathrooms, floor level, property condition, presence of a terrace or garden, and total living area. The prediction is carried out by comparing two different approaches: a classical Linear Regression model and a Random Forest machine learning algorithm. The results show that the two models deliver different levels of predictive performance, highlighting how urban complexity and methodological choices influence the accuracy of price-per-square-meter estimates. Overall, the study underscores the value of integrating traditional statistical methods with modern machine learning techniques to achieve more reliable real estate price predictions.

La tesi ha l’obiettivo di prevedere il prezzo al metro quadro degli immobili residenziali utilizzando come base dati cinque città della regione Veneto — Venezia, Mestre, Padova, Treviso e Verona. L’analisi si concentra esclusivamente sulle aree urbane centrali e considera diverse caratteristiche delle abitazioni, tra cui numero di stanze e bagni, piano, stato dell’immobile, presenza di terrazza o giardino e metratura complessiva. La previsione viene effettuata confrontando due approcci differenti: un modello classico di regressione lineare e un algoritmo di machine learning Random Forest. I risultati mostrano che i due modelli forniscono prestazioni predittive diverse, evidenziando come la complessità urbana e la scelta metodologica influenzino l’accuratezza della stima del prezzo al metro quadro. Complessivamente, lo studio mette in luce l’utilità di integrare metodi tradizionali e tecniche di apprendimento automatico per ottenere previsioni immobiliari più affidabili.