app.py

#!/usr/bin/env python
# coding: utf-8

# ## Car Prediction
# İkinci el araç fiyatlarını (özelliklerine göre) tahmin eden modeller oluşturma ve MLOPs ile Hugging Fcae üzerinden yayımlayacağız

# In[42]:


import pandas as pd
from sklearn.model_selection import train_test_split #veri setini bölme işlemleri
from sklearn.linear_model import LinearRegression #Doğrusal regresyon
from sklearn.metrics import mean_squared_error # modelimizin performansını ölçmek için
from sklearn.compose import ColumnTransformer # sütun dönüşüm işlemleri
from sklearn.preprocessing import OneHotEncoder, StandardScaler # kategori- sayısal dönüşüm ve ölçekleme işlemleri
from sklearn.pipeline import Pipeline # veri işleme hattı
from sklearn.metrics import mean_squared_error, r2_score


# In[2]:


#excel dosyalarını okumak için


# In[28]:


get_ipython().system('pip install xldr')


# # Veri dosyasını yükle

# In[7]:


ls


# In[29]:


df=pd.read_excel("cars.xls")
df


# In[30]:


df.info()


# In[10]:


#veri ön işleme


# In[31]:


x=df.drop('Price',axis=1) #fiyat sütununu çıkar fiyata etki edenler kalsın
y=df['Price'] #tahmin


# In[32]:


x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)


#  # Veri ön işleme, standartlaştırma ve OHE işlemlerini otomatikleştiriyoruz (standartlaştırıyoruz). Artık preprocess kullanarak kullanıcında arayüz aracılığıyla gelen veriyi modelimize uygun hale çevirebiliriz

# In[33]:


preprocess=ColumnTransformer(
    transformers=[
        ('num',StandardScaler(),['Mileage', 'Cylinder','Liter','Doors']),
        ('cat',OneHotEncoder(),['Make','Model','Trim','Type'])
    ]
)


# In[34]:


my_model=LinearRegression()


# In[35]:


#pipeline ı tanımla
pipe=Pipeline(steps=[('preprocessor',preprocess),('model',my_model)])


# In[38]:


#pipeline fit
pipe.fit(x_train,y_train)


# In[43]:


y_pred=pipe.predict(x_test)
print('RMSE',mean_squared_error(y_test,y_pred)**0.5)
print('R2',r2_score(y_test,y_pred))


# In[44]:


#isterseniz veri setinin tammamıyla tekrar eğitim yapabilirsiniz.
#pipe.fit(X,y)


# ## Streamlit ile modeli yayma/deploy/kullanıma sunma

# In[41]:


get_ipython().system('pip install streamlit')


# Python ile yapılan çalışmnalrın hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamanızı sağlar

# In[47]:


import streamlit as st
#price tahmin fonksiyonu tanımla
def price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather):
    input_data=pd.DataFrame({'Make':[make],
                             'Model':[model],
                             'Trim':[trim],
                             'Mileage':[mileage],
                             'Type':[car_type],
                             'Cylinder':[cylinder],
                             'Liter':[liter],
                             'Doors':[doors],
                             'Cruise':[cruise],
                             'Sound':[sound],
                             'Leather':[leather]})
    prediction=pipe.predict(input_data)[0]
    return prediction
st.title("II. El Araba Fiyatı Tahmin:red_car: @aysel_olcer")
st.write('Arabanın özelliklerini seçiniz')
make=st.selectbox('Marka',df['Make'].unique())
model=st.selectbox('Model',df[df['Make']==make]['Model'].unique())
trim=st.selectbox('Trim',df[(df['Make']==make) &(df['Model']==model)]['Trim'].unique())
mileage=st.number_input('Kilometre',100,200000)
car_type=st.selectbox('Araç Tipi',df['Type'].unique())
cylinder=st.selectbox('Cylinder',df['Cylinder'].unique())
liter=st.number_input('Yakıt Hacmi',1,10)
doors=st.selectbox('Kapı sayısı',df['Doors'].unique())
cruise=st.radio('Hız Sbt.',[True,False])
sound=st.radio('Ses Sis.',[True,False])
leather=st.radio('Deri döşemes.',[True,False])
if st.button('Tahmin Et'):
    pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)
    st.write('Fiyat:$',round(pred[0],2))


# In[ ]: