Upload 5 files

README.md

@@ -1,3 +1,108 @@
+# 📱 Mobile Price Classification with Machine Learning
+
+Bu proje, bir cep telefonunun donanımsal özelliklerine göre hangi fiyat aralığında olduğunu tahmin eden bir makine öğrenmesi modelidir.  
+Streamlit arayüzü ile kullanıcı, telefonun teknik özelliklerini girerek tahmini fiyat aralığını öğrenebilir.
+
 ---
-license: mit
+
+## 🔍 Problem Tanımı
+
+Cep telefonları farklı donanım seviyelerinde sunulur. Bu proje, çeşitli teknik özelliklere bakarak bir telefonun fiyat segmentini (0: en düşük, 3: en yüksek) sınıflandırmayı amaçlar.
+
 ---
+
+## 📦 Kullanılan Veri Seti
+
+- Dataset: [`mobile_prices.csv`](./mobile_prices.csv)
+- Sütun Sayısı: 21 (20 giriş + 1 hedef)
+- Hedef (target): `price_range`
+
+---
+
+## 🛠 Kullanılan Özellikler
+
+- `battery_power`, `ram`, `px_height`, `px_width`, `fc`, `pc`
+- `bluetooth`, `dual_sim`, `four_g`, `three_g`, `wifi`
+- `n_cores`, `int_memory`, `mobile_wt`
+- `sc_h`, `sc_w`, `talk_time`, `clock_speed`, `touch_screen`
+
+---
+
+## 🔧 Kullanılan Kütüphaneler
+
+- `pandas`
+- `numpy`
+- `scikit-learn`
+- `streamlit`
+- `pickle`
+
+---
+
+## 🤖 Model Bilgisi
+
+- Algoritma: `RandomForestClassifier`
+- Doğruluk: %X (eğitim sırasında çıktı)
+- Model dosyası: [`model.pkl`](./model.pkl)
+
+---
+
+## 🚀 Nasıl Çalıştırılır?
+
+### 1. Gerekli paketleri yükle:
+```bash
+pip install -r requirements.txt
+
+
+
+Streamlit uygulamasını başlat
+Demo (Opsiyonel)
+Model Hugging Face'e yüklendiyse burada paylaşılabilir:
+
+🔗 https://huggingface.co/yazodi
+
+
+📦 Mobile Price Classification
+ ┣ 📜 mobile_prices.csv
+ ┣ 📜 model.pkl
+ ┣ 📜 model.py
+ ┣ 📜 app.py
+ ┣ 📜 requirements.txt
+ ┗ 📜 README.md
+
+
+
+kendiniz olşturun
+ Örnek Girdi (sample_input.json)
+
+{
+  "battery_power": 1200,
+  "blue": 1,
+  "clock_speed": 1.6,
+  "dual_sim": 1,
+  "fc": 5,
+  "four_g": 1,
+  "int_memory": 32,
+  "mobile_wt": 150,
+  "n_cores": 4,
+  "pc": 13,
+  "px_height": 800,
+  "px_width": 1200,
+  "ram": 2048,
+  "sc_h": 14,
+  "sc_w": 7,
+  "talk_time": 10,
+  "three_g": 1,
+  "touch_screen": 1,
+  "wifi": 1
+}
+
+
+
+📌 Notlar
+Eğitim amaçlı hazırlanmıştır.
+
+Gerçek ticari modellerde daha fazla veri ve hiperparametre optimizasyonu gerekebilir.
+
+
+🪪 Lisans
+MIT License

app.py

@@ -0,0 +1,42 @@
+import streamlit as st
+import pickle
+import numpy as np
+
+# Modeli yükle
+with open("model.pkl", "rb") as f:
+    model = pickle.load(f)
+
+st.title("📱 Mobile Price Range Prediction")
+st.write("Telefon özelliklerine göre fiyat aralığını tahmin edin. (0: En düşük, 3: En yüksek)")
+
+# 20 özelliği kullanıcıdan alalım:
+battery_power = st.slider("🔋 Battery Power (mAh)", 500, 2000, 1000)
+blue = st.selectbox("📶 Bluetooth Var mı?", [0, 1])
+clock_speed = st.slider("⏱ Clock Speed (GHz)", 0.5, 3.0, 1.5)
+dual_sim = st.selectbox("📱 Çift SIM Var mı?", [0, 1])
+fc = st.slider("🤳 Ön Kamera (MP)", 0, 20, 5)
+four_g = st.selectbox("📡 4G Desteği", [0, 1])
+int_memory = st.slider("💾 Dahili Hafıza (GB)", 2, 64, 16)
+mobile_wt = st.slider("⚖️ Ağırlık (gram)", 80, 250, 150)
+n_cores = st.slider("🧠 İşlemci Çekirdek Sayısı", 1, 8, 4)
+pc = st.slider("📸 Arka Kamera (MP)", 0, 20, 13)
+px_height = st.slider("🔳 Piksel Yüksekliği", 0, 1960, 500)
+px_width = st.slider("🔲 Piksel Genişliği", 0, 2000, 800)
+ram = st.slider("🧠 RAM (MB)", 256, 4000, 1024)
+sc_h = st.slider("📱 Ekran Yüksekliği (cm)", 5, 20, 12)
+sc_w = st.slider("📱 Ekran Genişliği (cm)", 0, 18, 7)
+talk_time = st.slider("📞 Konuşma Süresi (saat)", 2, 20, 10)
+three_g = st.selectbox("📡 3G Var mı?", [0, 1])
+touch_screen = st.selectbox("🖱 Dokunmatik Ekran Var mı?", [0, 1])
+wifi = st.selectbox("📶 Wi-Fi Desteği", [0, 1])
+
+# Girdi vektörü (20 özellik)
+input_data = np.array([[battery_power, blue, clock_speed, dual_sim, fc,
+                        four_g, int_memory, mobile_wt, n_cores, pc,
+                        px_height, px_width, ram, sc_h, sc_w,
+                        talk_time, three_g, touch_screen, wifi]])
+
+# Tahmin
+if st.button("Tahmin Et"):
+    prediction = model.predict(input_data)[0]
+    st.success(f"📊 Tahmini Fiyat Aralığı: {prediction} (0: düşük, 3: yüksek)")

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fc0cb197b61749f0f9a77688f17a1d2ad1ee2fdfbb61d3e477a549436d0961d8
+size 5630937

model.py

@@ -0,0 +1,28 @@
+# model.py
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import accuracy_score
+import pickle
+
+# Veriyi oku
+df = pd.read_csv("mobile_prices.csv")
+
+# Özellikleri ve hedefi ayır
+X = df.drop("price_range", axis=1)
+y = df["price_range"]
+
+# Eğitim-test bölmesi
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# Modeli eğit
+model = RandomForestClassifier()
+model.fit(X_train, y_train)
+
+# Doğruluk
+y_pred = model.predict(X_test)
+print("Accuracy:", accuracy_score(y_test, y_pred))
+
+# Modeli kaydet
+with open("model.pkl", "wb") as f:
+    pickle.dump(model, f)

requirements.txt

@@ -0,0 +1,4 @@
+streamlit
+scikit-learn
+pandas
+numpy