Efterfrågan på bostadsrätter i Stockholm har under de senaste åren varit hög och priserna svänger ständigt. Idag är många överens om att ‘läget’ är en av de viktigaste parametrarna i värderingen av en bostadsrätt men vad ‘läget’ egentligen innebär är inte lika självklart. Denna studie har syftet att undersöka potentiella samband mellan ett läges attraktivitet och antal Points of Interest i en bostadsrätts närområde. Studien avser att besvara vilka parametrar som har stärst inverkan på ett bostadsområdes attraktionskraft. Points of Interest utgörs av bland annat postnummer, antal restauranger och antal hotell inom en kilometers radie från respektive bostadsrätt. Studiens utförande baseras på antagandet att försäljningspriser kan representera betalningsviljan och därigenom attraktionskraften. Utförandet baseras på maskininlärning, där modellen Random Forest Regression implementeras för att utföra en kvantitativ dataanalys på sålda bostadsrätter i Stockholm. Modellen kan estimera försäljningspris med en noggrannhet på 85,1% och resultatet redovisar Points of Interest påverkan på det estimerade försäljningspris, i förhållande till varandra. Den parameter som har störst inverkan på försäljningspriset var postnumret. Postnumret följs av kommunikationer och uteliv. Detta utfall diskuteras bero på att postnumret indirekt representerar icke-kvantitativa parametrar som allmän uppfattning om området. Kommunikationer och uteliv skapar ett ’levande’ område. Utifrån studiens resultat drogs slutsatsen att den största påverkande faktorn för ett läges attraktionskraft är den allmänna uppfattningen om närområdet, snarare än tillgänglighet till Points of Interest. / The demand on co-operative apartments in Stockholm have during the latest years been high and the prices are continuously fluctuating. Today, many agree on that the ‘location’ is one of the most important aspects in valuation of co-operative apartments but what ‘location’ actually means is not as obvious. This thesis has the purpose of exploring potential connections between a location’s attractiveness and the amount of Points of Interest in a co-operative apartment’s close proximity. The study seeks to explain which features that affects a community’s attractiveness the most. Points of Interest includes, among others, postal code, number of restaurants and number of hotels within a radius of one kilometer from each individual cooperative apartment. The study’s performance is based on the presumption that sales prices can represent willingness to pay and thereby represent attractiveness. The performance is based on machine learning, where the model Random Forest Regression is implemented to perform a quantitative data analysis on sold co-operative apartments in Stockholm. The model can estimate sales prices with an accuracy of 85.1% and the result presents the Points of Interests’ effect on the estimated sales prices, in relation to each other. The feature which was shown to have the highest effect on the estimated sales price was the postal code. It is discussed that this outcome is due to the postal code indirectly represent non-quantitative features such as the general perception of the area. The second and third most important features is showed to be public transport and nightlife. From the study it was concluded that the most important feature for the attractiveness of a location is the general perception of that area rather than the accessibility to Points of Interest.