El rendimiento de los modelos de aprendizaje automático depende de varios factores, incluida la normalización de datos, que puede mejorar significativamente su precisión. Existen muchas técnicas de estandarización, y ninguna es universalmente adecuada; la elección depende de las características del problema, la tarea predictiva y las necesidades del modelo utilizado. Este estudio analiza cómo las técnicas de normalización influyen en los resultados de los modelos de regresión de precios de bienes raíces utilizando aprendizaje automático para descubrir relaciones complejas entre factores urbanos y económicos. Se emplean seis técnicas de normalización para evaluar cómo afectan la estimación de las relaciones entre el valor de la propiedad y factores como la degradación social, la población residente, el ingreso per cápita, los espacios verdes, las condiciones de los edificios y la presencia de vecindarios degradados. Los hallazgos del estudio subrayan el papel fundamental de la normalización en la configuración de la percepción de las variables, acentuando umbrales críticos o distorsionando las relaciones funcionales anticipadas. Este trabajo es la primera aplicación de un enfoque metodológico para definir la mejor técnica sobre la base de dos criterios: fiabilidad estadística y evidencia empírica de las relaciones funcionales obtenibles con cada técnica de estandarización. Notablemente, el estudio subraya el potencial de la regresión basada en aprendizaje automático para eludir las limitaciones de los modelos convencionales, lo que resulta en resultados más robustos e interpretables.