HomeScope

HomeScope: Прогноз средней цены на жилье в Калифорнии

Обзор

HomeScope — это проект по науке о данных, направленный на прогнозирование средних цен на жилье в Калифорнии с использованием модели случайного лесного регрессора. Он включает в себя различные методы предварительной обработки данных, модели машинного обучения и стратегии развертывания, чтобы обеспечить интуитивно понятный интерфейс для прогнозирования цен на жилье.

Структура проекта

• housing.csv : набор данных, используемый для обучения и тестирования модели.
• Link.docx : документ, содержащий ссылку на развернутое приложение Streamlit.
• part1.ipynb : блокнот Jupyter для первоначального анализа и предварительной обработки.
• preprocessing.ipynb : блокнот Jupyter, предназначенный для предварительной обработки данных.
• requirements.txt : указывает зависимости Python, необходимые для проекта.
• rfr_info.json : файл JSON с подробной информацией о модели случайного лесного регрессора и входных функциях.
• cal_predict.py : скрипт Python для развертывания приложения Streamlit.
• deploy.ipynb : Блокнот Jupyter с описанием шагов развертывания.
• HomeScope.py : основной скрипт для приложения Streamlit.

Настраивать

Предварительные условия

• Питон 3.8 или выше
• Pip (установщик пакетов Python)

Установка

1. Клонируем репозиторий:

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

2. Установите необходимые пакеты:

   pip install -r requirements.txt

Запуск приложения

Чтобы запустить приложение Streamlit, запустите:

streamlit run HomeScope.py

Приложение будет доступно по адресу http://localhost:8501 .

Использование

1. Перейдите к развернутому приложению или запустите его локально.
2. Настройте входные параметры, используя параметры боковой панели.
3. Нажмите кнопку «Прогнозировать», чтобы получить прогнозируемую среднюю цену дома.

Информация о модели

В проекте используется случайный лесной регрессор. Файл rfr_info.json содержит подробную информацию о модели, включая входные объекты и их соответствующие диапазоны.

Функции ввода

• longitude : долгота местоположения.
• latitude : широта местоположения.
• housing_median_age : Средний возраст домов.
• total_rooms : Общее количество комнат в домах.
• total_bedrooms : Общее количество спален в домах.
• population : Численность населения в районе.
• households : Количество домохозяйств.
• median_income : Средний доход жителей.
• ocean_proximity : близость к океану.

Содействие

Вклады приветствуются! Пожалуйста, сначала прочтите правила участия.

Лицензия

Этот проект лицензируется по лицензии MIT. Подробности смотрите в файле LICENSE .

Благодарности

• Набор данных: набор данных о ценах на жилье в Калифорнии.
• Streamlit за предоставление платформы для развертывания приложений для обработки данных.
• Scikit-learn для алгоритмов машинного обучения.

Свяжитесь со мной

Если у вас есть какие-либо вопросы или вы хотите обсудить дальнейшее обсуждение, не стесняйтесь обращаться:

• Электронная почта : [email protected].
• LinkedIn : Шубхам Чандра