Spaces:
Sleeping
Sleeping
File size: 3,792 Bytes
68e5899 03899a2 68e5899 25b05a6 03899a2 68e5899 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 |
#!/usr/bin/env python
# coding: utf-8
# # Car Prediction #
# İkinci el araç fiyatlarını (özelliklerine göre) tahmin eden modeller oluşturma ve MLOPs ile Hugging Face üzerinden yayımlayacağız
import pandas as pd
from sklearn.model_selection import train_test_split #veri setini bölme işlemleri
from sklearn.linear_model import LinearRegression #Dogrusal Regresyon
from sklearn.metrics import r2_score, 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 ölçeklendirme
from sklearn.pipeline import Pipeline #Veri işleme hattı
df=pd.read_excel("cars.xls")
df.head()
df.info()
#Veri ön işleme
X=df.drop('Price',axis=1) #Fiyat sutunu çıkar fiyata etki edenler kalsın
y=df['Price'] #tahmin edilecek sutun
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 kullanıcıda arayüz aracılığıyla gelen veriyi uygun hale çevirebiliriz.
preprocess=ColumnTransformer(
transformers=[
('num', StandardScaler(),['Mileage','Cylinder','Liter','Doors']),
('cat', OneHotEncoder(), ['Make','Model','Trim','Type'])
]
)
my_model=LinearRegression()
#pipline tanımlama
pipe=Pipeline(steps=[('preprocessor', preprocess), ('model', my_model)])
#pipline fit edilmesi
pipe.fit(X_train, y_train)
y_pred=pipe.predict(X_test)
mean_squared_error(y_test,y_pred)**0.5,r2_score(y_test,y_pred)
# Python ile yapılan çalışmaların hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamamızı sağlar
import streamlit as st
#price tahmin fonksiyonu tanımlama
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 Fiyat Tahmini:blue_car: @miturkoglu")
st.write('Arabanın özelliklerini seçiniz.Fiyat tahmini yapmak istediğiniz arabanın bilgilerini giriniz')
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)
#mileage=st.slider("Mileage",int(df['Mileage'].min()),int(df['Mileage'].max()))
#car_type=st.selectbox('Araç Tipi',df['Type'].unique())
car_type=st.selectbox('Araç Tipi',df[(df['Make']==make) &(df['Model']==model)&(df['Trim']==trim)]['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.selectbox('Hız Sabitleyici',[True,False])
sound=st.selectbox('Ses Sistemi',[True,False])
leather=st.selectbox('Deri Döşeme',[True,False])
if st.button('Tahmin Et'):
pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)
#st.write('Tahmini Fiyat: $',round(pred[0],2)) #Hatalı!
st.write('Tahmini Fiyat :blue_car: $', round(pred, 2))
|