Upload 3 files

app.py

@@ -0,0 +1,171 @@
+#!/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
+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.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']),
+        ('cat',OneHotEncoder(),['Make','Model','Trim','Type'])
+    ]
+)
+
+
+# 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)
+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):
+    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
+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])
+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))
+
+
+# In[ ]:
+
+
+
+

requirements.txt

@@ -0,0 +1,4 @@
+streamlit==1.31.1
+scikit-learn==1.4.1.post1
+pandas==2.1.0
+xlrd == 2.0.1