El sector inmobiliario es crucial para la economía global, impulsando el desarrollo económico y social. Este estudio examina los efectos de la reducción de dimensionalidad a través de la Eliminación Recursiva de Características (RFE), Bosques Aleatorios (RF) y Boruta en la predicción de precios de bienes raíces, evaluando modelos de conjunto como Bagging, Bosques Aleatorios, Aumento de Gradiente, AdaBoost, Apilamiento, Votación y Árboles Extra. Los resultados indican que el modelo de Apilamiento logró el mejor rendimiento con un MAE (error absoluto medio) de 14,090, un MSE (error cuadrático medio) de 5.338 x 10^8, un RMSE (raíz del error cuadrático medio) de 23,100, un R2 de 0.924 y un Coeficiente de Correlación de Concordancia (CCC) de 0.960, demostrando también una notable eficiencia computacional con un tiempo de 67.23 s. El Aumento de Gradiente siguió de cerca, con un MAE de 14,540, un R2 de 0.920 y un CCC de 0.958, requiriendo 1.76 s para el cálculo. La reducción de variables a través de RFE en Aumento de Gradiente y Apilamiento llevó a un aumento en el MAE del 16.9% y 14.6%, respectivamente, junto con ligeras reducciones en R2 y CCC. La aplicación de Boruta redujo las variables a 16, manteniendo el rendimiento en Apilamiento, con un aumento en el MAE del 9.8% y un R2 de 0.908. Estas técnicas de reducción de dimensionalidad mejoraron la eficiencia computacional y demostraron ser efectivas para aplicaciones prácticas sin comprometer significativamente la precisión. La investigación futura debería explorar la optimización automática de hiperparámetros y enfoques híbridos para mejorar la adaptabilidad y robustez de los modelos en contextos complejos.