La predicción de precios en el sector inmobiliario es crucial para la toma de decisiones informadas en un sector dinámico. En los últimos años, las técnicas de aprendizaje automático (ML) han surgido como herramientas poderosas para mejorar la precisión de las predicciones y la toma de decisiones basada en datos. Sin embargo, la literatura existente carece de una síntesis cohesiva de metodologías, hallazgos y vacíos de investigación en la predicción de precios inmobiliarios basada en ML. Este estudio aborda esta brecha a través de una revisión exhaustiva de la literatura, examinando varios enfoques de ML, incluidos redes neuronales, métodos de conjunto y técnicas de regresión avanzadas. Identificamos vacíos de investigación clave, como la limitada exploración de modelos híbridos de ML-econométricos y la interpretabilidad de las predicciones de ML. Para validar la solidez de los modelos de regresión, realizamos pruebas de generalización en un conjunto de datos independiente. Los resultados demuestran la aplicabilidad de los modelos de regresión en la predicción de precios inmobiliarios en diversos mercados. Nuestros hallazgos subrayan la importancia de abordar los vacíos de investigación para avanzar en el campo y mejorar la aplicabilidad práctica de las técnicas de ML en la predicción de precios inmobiliarios. Este estudio contribuye a una comprensión más profunda del papel de ML en la previsión inmobiliaria y proporciona información para futuras investigaciones e implementación práctica en la industria inmobiliaria.