schlenat/usedcars

AI-End-to-End-Machine-learning-project

🚗 Gebrauchtwagenpreis-Vorhersage

📄 Projektbeschreibung

Ziel dieses Projekts ist es, den Preis von Gebrauchtwagen vorherzusagen. Dazu werden sowohl fahrzeugspezifische Merkmale (wie Kilometerstand, Marke, Modell) als auch landesspezifische Wirtschaftsdaten (z. B. BIP, Einkommen) genutzt.

---

📈 Ergebnisse

Das Modell der linearen Regression zeigte ein gutes Fit (R² = 0.96), allerdings ist der RMSE (≈28'375 CHF) relativ hoch.
Der Random Forest Regressor zeigte ein deutlich höheres Overfitting-Verhalten mit R² = 0.52 bei RMSE = 99'482 CHF.
Dies deutet darauf hin, dass das Modell stark durch einige dominante Features beeinflusst wird oder zusätzliche Feature Engineering nötig ist.

---

🔗 URLs

Name	Link
Huggingface	folgt
GitHub	folgt

---

📦 Datenquellen und verwendete Features

Datenquelle	Features
used_cars.csv	brand, model, milage, fuel_type, transmission, price, country
country_data.csv	income, gdpp

---

🛠 Generierte Features

Feature	Beschreibung
milage	Kilometerstand bereinigt (numerisch)
relative_price	Verhältnis Preis zu mittlerem Einkommen des Landes (price/income)
price_vs_gdpp	Verhältnis Preis zu BIP pro Kopf (price/gdpp)
One-Hot Encoding	Für model, brand, fuel_type, transmission, country

---

🧪 Modellierung

Train/Test-Split: 80/20 Split mit random_state=42
Imputation: Fehlende Werte wurden mit Mittelwert ersetzt (SimpleImputer)

Trainierte Modelle

• LinearRegression (Scikit-learn)
• RandomForestRegressor (Scikit-learn, 100 Trees, Default)

Evaluation

Modell	RMSE	R²
Linear Regression	28'375.74 CHF	0.96
Random Forest	99'481.67 CHF	0.52

---

📊 Wichtigste Features (Random Forest)

Die wichtigsten Merkmale laut Feature Importance Visualisierung:

1. milage
2. gdpp
3. income
4. Modell-spezifische Dummy-Variablen (model_<X>)