Aunque el uso del aprendizaje automático (ML) en la valoración automatizada de bienes raíces está en crecimiento, la investigación sobre la combinación de modelos de ML en conjuntos sigue siendo limitada. En este artículo, proponemos un modelo de conjunto apilado para valorar propiedades residenciales. Al aplicar nuestros modelos a un conjunto de datos integral de transacciones de bienes raíces residenciales de la Isla Jeju, que abarca desde 2012 hasta 2021, demostramos que el poder predictivo de los modelos basados en ML puede ser mejorado. Nuestros hallazgos indican que el modelo de conjunto apilado, que combina predicciones utilizando regresión de crestas, supera a todos los algoritmos individuales en múltiples métricas. Este modelo no solo minimiza los errores de predicción, sino que también proporciona los resultados más estables y consistentes, como lo demuestra la menor desviación estándar en los errores absolutos y los errores porcentuales absolutos. Además, empleamos el método del árbol de decisión para analizar las condiciones bajo las cuales características específicas generan resultados más precisos o resultados menos confiables. Se observó que tanto el tamaño como la antigüedad de un apartamento impactan significativamente en el rendimiento de la predicción, siendo los complejos más pequeños y antiguos los que exhiben menor precisión y mayores tasas de error.