HomeScope Download – Download HomeScope Quellcodes

HomeScope

AI-Quellcode

1.0.0

Herunterladen

HomeScope: Vorhersage des durchschnittlichen Hauspreises für Kalifornien

Überblick

HomeScope ist ein datenwissenschaftliches Projekt, das sich auf die Vorhersage mittlerer Immobilienpreise in Kalifornien mithilfe eines Random-Forest-Regressor-Modells konzentriert. Es umfasst eine Vielzahl von Datenvorverarbeitungstechniken, Modellen für maschinelles Lernen und Bereitstellungsstrategien, um eine intuitive Schnittstelle für die Vorhersage von Immobilienpreisen bereitzustellen.

Projektstruktur

housing.csv : Datensatz, der zum Trainieren und Testen des Modells verwendet wird.
Link.docx : Dokument mit einem Link zur bereitgestellten Streamlit-App.
part1.ipynb : Jupyter-Notizbuch für die erste Analyse und Vorverarbeitung.
preprocessing.ipynb : Jupyter-Notebook für die Datenvorverarbeitung.
requirements.txt : Gibt die für das Projekt erforderlichen Python-Abhängigkeiten an.
rfr_info.json : JSON-Datei mit Details zum Random Forest Regressor-Modell und den Eingabefunktionen.
cal_predict.py : Python-Skript für die Streamlit-App-Bereitstellung.
deploy.ipynb : Jupyter-Notizbuch, das die Bereitstellungsschritte beschreibt.
HomeScope.py : Hauptskript für die Streamlit-App.

Aufstellen

Voraussetzungen

Python 3.8 oder höher
Pip (Python-Paketinstallationsprogramm)

Installation

Klonen Sie das Repository:

git clone https://github.com/yourusername/HomeScope.git
cd HomeScope

Installieren Sie die erforderlichen Pakete:
```
pip install -r requirements.txt
```

Ausführen der Anwendung

Um die Streamlit-App zu starten, führen Sie Folgendes aus:

streamlit run HomeScope.py

Auf die Anwendung kann unter http://localhost:8501 zugegriffen werden.

Verwendung

Navigieren Sie zur bereitgestellten App oder starten Sie die App lokal.
Passen Sie die Eingabeparameter mithilfe der Seitenleistenoptionen an.
Klicken Sie auf die Schaltfläche „Vorhersagen“, um den prognostizierten mittleren Hauspreis zu erhalten.

Modellinformationen

Das Projekt verwendet einen Random Forest Regressor. Die Datei rfr_info.json enthält detaillierte Informationen zum Modell, einschließlich Eingabemerkmalen und ihren jeweiligen Bereichen.

Eingabefunktionen

longitude : Längengrad des Standorts.
latitude : Breitengrad des Standorts.
housing_median_age : Durchschnittsalter der Häuser.
total_rooms : Gesamtzahl der Zimmer in den Häusern.
total_bedrooms : Gesamtzahl der Schlafzimmer in den Häusern.
population : Bevölkerung in der Region.
households : Anzahl der Haushalte.
median_income : Medianeinkommen der Bewohner.
ocean_proximity : Nähe zum Ozean.

Mitwirken

Beiträge sind willkommen! Bitte lesen Sie zuerst die Beitragsrichtlinien.

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert. Einzelheiten finden Sie in der LICENSE Datei.

Danksagungen

Datensatz: Datensatz zu den Immobilienpreisen in Kalifornien.
Streamlit für die Bereitstellung einer Plattform zur Bereitstellung von Data-Science-Apps.
Scikit-learn für maschinelle Lernalgorithmen.