Update app.py

app.py

@@ -1,84 +1,83 @@
-#!/usr/bin/env python
-# coding: utf-8
-
-
-
-
 import pandas as pd
-from sklearn.model_selection import train_test_split #veri setini bölme işlemleri
-from sklearn.linear_model import LinearRegression #Doğrusal regresyon
-from sklearn.metrics import mean_squared_error # modelimizin performansını ölçmek için
-from sklearn.compose import ColumnTransformer # sütun dönüşüm işlemleri
-from sklearn.preprocessing import OneHotEncoder, StandardScaler # kategori- sayısal dönüşüm ve ölçekleme işlemleri
-from sklearn.pipeline import Pipeline # veri işleme hattı
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
 from sklearn.metrics import mean_squared_error, r2_score
+from sklearn.compose import ColumnTransformer
+from sklearn.preprocessing import OneHotEncoder, StandardScaler
+from sklearn.pipeline import Pipeline
+import streamlit as st
 
+# Veriyi oku
+df = pd.read_excel("cars.xls")
 
-df=pd.read_excel("cars.xls")
-df
-
-x=df.drop('Price',axis=1) #fiyat sütununu çıkar fiyata etki edenler kalsın
-y=df['Price'] #tahmin
-
+# Özellik ve hedef değişkenleri ayır
+x = df.drop('Price', axis=1)
+y = df['Price']
 
-x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)
+# Veri setini eğitim ve test olarak ayır
+x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
 
-preprocess=ColumnTransformer(
+# Ön işleme adımları
+preprocess = ColumnTransformer(
     transformers=[
-        ('num',StandardScaler(),['Mileage', 'Cylinder','Liter','Doors']),
-        ('cat',OneHotEncoder(),['Make','Model','Trim','Type'])
+        ('num', StandardScaler(), ['Mileage', 'Cylinder', 'Liter', 'Doors']),
+        ('cat', OneHotEncoder(), ['Make', 'Model', 'Trim', 'Type', 'Cruise', 'Sound', 'Leather'])
     ]
 )
 
+# Model tanımla
+my_model = LinearRegression()
 
-my_model=LinearRegression()
-
-
-pipe=Pipeline(steps=[('preprocessor',preprocess),('model',my_model)])
-
+# Pipeline oluştur
+pipe = Pipeline(steps=[('preprocessor', preprocess), ('model', my_model)])
 
-pipe.fit(x_train,y_train)
+# Modeli eğit
+pipe.fit(x_train, y_train)
 
+# Tahmin yap ve model performansını değerlendir
+y_pred = pipe.predict(x_test)
+print('RMSE', mean_squared_error(y_test, y_pred) ** 0.5)
+print('R2', r2_score(y_test, y_pred))
 
-
-
-y_pred=pipe.predict(x_test)
-print('RMSE',mean_squared_error(y_test,y_pred)**0.5)
-print('R2',r2_score(y_test,y_pred))
-
-
-import streamlit as st
-#price tahmin fonksiyonu tanımla
-def price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather):
-    input_data=pd.DataFrame({'Make':[make],
-                             'Model':[model],
-                             'Trim':[trim],
-                             'Mileage':[mileage],
-                             'Type':[car_type],
-                             'Cylinder':[cylinder],
-                             'Liter':[liter],
-                             'Doors':[doors],
-                             'Cruise':[cruise],
-                             'Sound':[sound],
-                             'Leather':[leather]})
-    prediction=pipe.predict(input_data)[0]
-    return prediction
+# Streamlit uygulaması
 st.title("II. El Araba Fiyatı Tahmin:red_car: @aysel_olcer")
 st.write('Arabanın özelliklerini seçiniz')
-make=st.selectbox('Marka',df['Make'].unique())
-model=st.selectbox('Model',df[df['Make']==make]['Model'].unique())
-trim=st.selectbox('Trim',df[(df['Make']==make) &(df['Model']==model)]['Trim'].unique())
-mileage=st.number_input('Kilometre',100,200000)
-car_type=st.selectbox('Araç Tipi',df['Type'].unique())
-cylinder=st.selectbox('Cylinder',df['Cylinder'].unique())
-liter=st.number_input('Yakıt Hacmi',1,10)
-doors=st.selectbox('Kapı sayısı',df['Doors'].unique())
-cruise=st.radio('Hız Sbt.',[True,False])
-sound=st.radio('Ses Sis.',[True,False])
-leather=st.radio('Deri döşemes.',[True,False])
+
+# Kullanıcı girdilerini al
+make = st.selectbox('Marka', df['Make'].unique())
+model = st.selectbox('Model', df[df['Make'] == make]['Model'].unique())
+trim = st.selectbox('Trim', df[(df['Make'] == make) & (df['Model'] == model)]['Trim'].unique())
+mileage = st.number_input('Kilometre', 100, 200000)
+car_type = st.selectbox('Araç Tipi', df['Type'].unique())
+cylinder = st.selectbox('Cylinder', df['Cylinder'].unique())
+liter = st.number_input('Yakıt Hacmi', 1, 10)
+doors = st.selectbox('Kapı sayısı', df['Doors'].unique())
+cruise = st.radio('Hız Sbt.', [True, False])
+sound = st.radio('Ses Sis.', [True, False])
+leather = st.radio('Deri döşemes.', [True, False])
+
+# Tahmin fonksiyonu
+def price(make, model, trim, mileage, car_type, cylinder, liter, doors, cruise, sound, leather):
+    input_data = pd.DataFrame({
+        'Make': [make],
+        'Model': [model],
+        'Trim': [trim],
+        'Mileage': [mileage],
+        'Type': [car_type],
+        'Cylinder': [cylinder],
+        'Liter': [liter],
+        'Doors': [doors],
+        'Cruise': [cruise],
+        'Sound': [sound],
+        'Leather': [leather]
+    })
+    prediction = pipe.predict(input_data)[0]
+    return prediction
+
+# Tahmin yapma butonu ve sonucu gösterme
 if st.button('Tahmin Et'):
-    pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)
-    st.write('Fiyat:$',round(pred[0],2))
+    pred = price(make, model, trim, mileage, car_type, cylinder, liter, doors, cruise, sound, leather)
+    st.write('Fiyat: $', round(pred, 2))