Update app.py

app.py

@@ -1,10 +1,7 @@
 #!/usr/bin/env python
 # coding: utf-8
 
-# ## Car Prediction
-# İkinci el araç fiyatlarını (özelliklerine göre) tahmin eden modeller oluşturma ve MLOPs ile Hugging Fcae üzerinden yayımlayacağız
 
-# In[42]:
 
 
 import pandas as pd
@@ -17,63 +14,15 @@ from sklearn.pipeline import Pipeline # veri işleme hattı
 from sklearn.metrics import mean_squared_error, r2_score
 
 
-# In[2]:
-
-
-#excel dosyalarını okumak için
-
-
-# In[28]:
-
-
-get_ipython().system('pip install xldr')
-
-
-# # Veri dosyasını yükle
-
-# In[7]:
-
-
-ls
-
-
-# In[29]:
-
-
 df=pd.read_excel("cars.xls")
 df
 
-
-# In[30]:
-
-
-df.info()
-
-
-# In[10]:
-
-
-#veri ön işleme
-
-
-# In[31]:
-
-
 x=df.drop('Price',axis=1) #fiyat sütununu çıkar fiyata etki edenler kalsın
 y=df['Price'] #tahmin
 
 
-# In[32]:
-
-
 x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)
 
-
-#  # Veri ön işleme, standartlaştırma ve OHE işlemlerini otomatikleştiriyoruz (standartlaştırıyoruz). Artık preprocess kullanarak kullanıcında arayüz aracılığıyla gelen veriyi modelimize uygun hale çevirebiliriz
-
-# In[33]:
-
-
 preprocess=ColumnTransformer(
     transformers=[
         ('num',StandardScaler(),['Mileage', 'Cylinder','Liter','Doors']),
@@ -82,27 +31,15 @@ preprocess=ColumnTransformer(
 )
 
 
-# In[34]:
-
-
 my_model=LinearRegression()
 
 
-# In[35]:
-
-
-#pipeline ı tanımla
 pipe=Pipeline(steps=[('preprocessor',preprocess),('model',my_model)])
 
 
-# In[38]:
-
-
-#pipeline fit
 pipe.fit(x_train,y_train)
 
 
-# In[43]:
 
 
 y_pred=pipe.predict(x_test)
@@ -110,26 +47,6 @@ print('RMSE',mean_squared_error(y_test,y_pred)**0.5)
 print('R2',r2_score(y_test,y_pred))
 
 
-# In[44]:
-
-
-#isterseniz veri setinin tammamıyla tekrar eğitim yapabilirsiniz.
-#pipe.fit(X,y)
-
-
-# ## Streamlit ile modeli yayma/deploy/kullanıma sunma
-
-# In[41]:
-
-
-get_ipython().system('pip install streamlit')
-
-
-# Python ile yapılan çalışmnalrın hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamanızı sağlar
-
-# In[47]:
-
-
 import streamlit as st
 #price tahmin fonksiyonu tanımla
 def price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather):
@@ -164,7 +81,7 @@ if st.button('Tahmin Et'):
     st.write('Fiyat:$',round(pred[0],2))
 
 
-# In[ ]:
+