Las principales bases para la tributación de la tierra son su área o valor. En muchos países, especialmente en Europa del Este, se están llevando a cabo o se están planificando reformas de la tributación de la propiedad, incluida la tributación de la tierra, introduciendo el valor de la propiedad como base imponible. La práctica y la investigación en este ámbito indican que tal cambio en el sistema tributario conduce a grandes cambios en el uso de la tierra y a la reubicación. La tributación del valor de la tierra requiere la construcción de un sistema de valoración masiva. Diferentes soluciones metodológicas pueden servir a este propósito. Sin embargo, la valoración masiva de la tierra requiere una gran cantidad de información sobre transacciones de propiedad. Tales datos no están disponibles en todos los casos. El objetivo principal del documento es evaluar la posibilidad de aplicar algoritmos seleccionados de aprendizaje automático y un modelo de regresión múltiple en la valoración masiva de propiedades en mercados pequeños y subdesarrollados, donde se realizan pocas transacciones o esas transacciones muestran poca volatilidad en términos de atributos de bienes raíces. Se verifica una hipótesis según la cual los métodos de aprendizaje automático resultan en tasaciones más precisas que los modelos de regresión múltiple, considerando el tamaño de los conjuntos de datos de entrenamiento. Se emplearon tres tipos de modelos en el estudio: un modelo de regresión múltiple, un algoritmo de regresión de k vecinos más cercanos y un algoritmo de regresión XGBoost. Los conjuntos de entrenamiento se extrajeron de un conjunto de datos más grande 1000 veces para sacar conclusiones sobre los resultados promediados. Gracias a la aplicación de los algoritmos KNN y XGBoost, fue posible obtener modelos mucho más resistentes a un bajo número de observaciones, un número sustancial de variables explicativas en relación con el número de observaciones, una baja variabilidad de los atributos de la propiedad en los conjuntos de datos de entrenamiento, así como la colinealidad de las variables explicativas. Este estudio mostró que los algoritmos diseñados para grandes conjuntos de datos pueden proporcionar resultados precisos en presencia de una cantidad limitada de datos. Esta es una observación significativa dado que los mercados inmobiliarios pequeños o subdesarrollados no son infrecuentes.