HomeScope

HomeScope: previsão do preço médio das casas na Califórnia

Visão geral

HomeScope é um projeto de ciência de dados focado na previsão dos preços médios das casas na Califórnia usando um modelo Random Forest Regressor. Ele incorpora uma variedade de técnicas de pré-processamento de dados, modelos de aprendizado de máquina e estratégias de implantação para fornecer uma interface intuitiva para previsão de preços de imóveis.

Estrutura do Projeto

• housing.csv : conjunto de dados usado para treinar e testar o modelo.
• Link.docx : documento que contém um link para o aplicativo Streamlit implantado.
• part1.ipynb : notebook Jupyter para análise inicial e pré-processamento.
• preprocessing.ipynb : notebook Jupyter dedicado ao pré-processamento de dados.
• requirements.txt : especifica as dependências do Python necessárias para o projeto.
• rfr_info.json : arquivo JSON com detalhes sobre o modelo Random Forest Regressor e recursos de entrada.
• cal_predict.py : script Python para implantação de aplicativo Streamlit.
• deploy.ipynb : notebook Jupyter descrevendo as etapas de implantação.
• HomeScope.py : script principal do aplicativo Streamlit.

Configurar

Pré-requisitos

• Python 3.8 ou superior
• Pip (instalador de pacote Python)

Instalação

1. Clone o repositório:

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

2. Instale os pacotes necessários:

   pip install -r requirements.txt

Executando o aplicativo

Para iniciar o aplicativo Streamlit, execute:

streamlit run HomeScope.py

O aplicativo estará acessível em http://localhost:8501 .

Uso

1. Navegue até o aplicativo implantado ou inicie-o localmente.
2. Ajuste os parâmetros de entrada usando as opções da barra lateral.
3. Clique no botão "Prever" para receber o preço médio previsto da casa.

Informações do modelo

O projeto usa um Random Forest Regressor. O arquivo rfr_info.json contém informações detalhadas sobre o modelo, incluindo recursos de entrada e seus respectivos intervalos.

Recursos de entrada

• longitude : Longitude do local.
• latitude : Latitude do local.
• housing_median_age : Idade mediana das casas.
• total_rooms : Número total de quartos nas casas.
• total_bedrooms : Número total de quartos nas casas.
• population : População na área.
• households : Número de domicílios.
• median_income : Renda mediana dos moradores.
• ocean_proximity : Proximidade com o oceano.

Contribuindo

Contribuições são bem-vindas! Por favor, leia as diretrizes de contribuição primeiro.

Licença

Este projeto está licenciado sob a licença MIT. Consulte o arquivo LICENSE para obter detalhes.

Agradecimentos

• Conjunto de dados: conjunto de dados de preços de habitação na Califórnia.
• Streamlit por fornecer uma plataforma para implantar aplicativos de ciência de dados.
• Scikit-learn para algoritmos de aprendizado de máquina.

Entre em contato comigo

Se você tiver alguma dúvida ou quiser discutir mais, sinta-se à vontade para entrar em contato:

• E-mail : [email protected]
• LinkedIn : Shubham Chandra