HomeScope

HomeScope: Predicción del precio medio de la vivienda en California

Descripción general

HomeScope es un proyecto de ciencia de datos centrado en predecir los precios medios de la vivienda en California utilizando un modelo de regresor forestal aleatorio. Incorpora una variedad de técnicas de preprocesamiento de datos, modelos de aprendizaje automático y estrategias de implementación para proporcionar una interfaz intuitiva para la predicción del precio de la vivienda.

Estructura del proyecto

• housing.csv : conjunto de datos utilizado para entrenar y probar el modelo.
• Link.docx : documento que contiene un enlace a la aplicación Streamlit implementada.
• part1.ipynb : cuaderno Jupyter para análisis inicial y preprocesamiento.
• preprocessing.ipynb : cuaderno Jupyter dedicado al preprocesamiento de datos.
• requirements.txt : especifica las dependencias de Python necesarias para el proyecto.
• rfr_info.json : archivo JSON con detalles sobre el modelo Random Forest Regresor y las características de entrada.
• cal_predict.py : script de Python para la implementación de la aplicación Streamlit.
• deploy.ipynb : cuaderno de Jupyter que describe los pasos de implementación.
• HomeScope.py : script principal de la aplicación Streamlit.

Configuración

Requisitos previos

• Python 3.8 o superior
• Pip (instalador de paquetes Python)

Instalación

1. Clonar el repositorio:

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

2. Instale los paquetes necesarios:

   pip install -r requirements.txt

Ejecutando la aplicación

Para iniciar la aplicación Streamlit, ejecute:

streamlit run HomeScope.py

Se podrá acceder a la aplicación en http://localhost:8501 .

Uso

1. Navegue hasta la aplicación implementada o inicie la aplicación localmente.
2. Ajuste los parámetros de entrada usando las opciones de la barra lateral.
3. Haga clic en el botón "Predecir" para recibir el precio medio de la vivienda previsto.

Información del modelo

El proyecto utiliza un regresor de bosque aleatorio. El archivo rfr_info.json contiene información detallada sobre el modelo, incluidas las funciones de entrada y sus respectivos rangos.

Funciones de entrada

• longitude : Longitud de la ubicación.
• latitude : Latitud de la ubicación.
• housing_median_age : Edad media de las casas.
• total_rooms : Número total de habitaciones de las casas.
• total_bedrooms : Número total de dormitorios de las casas.
• population : Población de la zona.
• households : Número de hogares.
• median_income : Ingreso medio de los residentes.
• ocean_proximity : Proximidad al océano.

Contribuyendo

¡Las contribuciones son bienvenidas! Lea primero las pautas de contribución.

Licencia

Este proyecto está bajo la licencia MIT. Consulte el archivo LICENSE para obtener más detalles.

Expresiones de gratitud

• Conjunto de datos: conjunto de datos de precios de la vivienda en California.
• Streamlit por proporcionar una plataforma para implementar aplicaciones de ciencia de datos.
• Scikit-learn para algoritmos de aprendizaje automático.

Contáctame

Si tiene alguna pregunta o desea conversar más a fondo, no dude en comunicarse con:

• Correo electrónico : [email protected]
• LinkedIn : Shubham Chandra