Upload 3 files

app.py

@@ -0,0 +1,196 @@
+#!/usr/bin/env python
+# coding: utf-8
+
+# # Car Prediction #
+# İkinci el araç fiyatlarını (özelliklerine göre) tahmin eden modeller oluşturma ve MLOPs ile Hugging Face üzerinden yayımlayacağız.
+# 
+
+# In[1]:
+
+
+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 r2_score,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 ölçeklendirme
+from sklearn.pipeline import Pipeline #Veri işleme hattı
+
+
+# In[2]:
+
+
+#Excell dosyalarını okumak için
+
+
+# In[3]:
+
+
+get_ipython().system('pip install xldr')
+
+
+# ## Veri dosyasını yükle
+
+# In[4]:
+
+
+ls
+
+
+# In[5]:
+
+
+df=pd.read_excel('cars.xls')
+df
+
+
+# In[ ]:
+
+
+df.info()
+
+
+# In[ ]:
+
+
+# Veri ön işleme
+
+
+# In[ ]:
+
+
+X=df.drop('Price',axis=1) #fiyat sütunu çıkar fiyata etki edenler kalsın
+y=df['Price'] #tahmin
+
+
+# In[ ]:
+
+
+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 (standarlaştırıyoruz). Artık preprocess kullanarak kullanıcında arayüz aracılığıyla gelen veriyi mdoelimize uygun hale çevirebiliriz.
+# 
+
+# In[ ]:
+
+
+preprocess=ColumnTransformer(
+    transformers=[
+        ('num',StandardScaler(),['Mileage', 'Cylinder','Liter','Doors']),
+        ('cat',OneHotEncoder(),['Make','Model','Trim','Type'])
+    ]
+)
+
+
+# In[ ]:
+
+
+my_model=LinearRegression()
+
+
+# In[ ]:
+
+
+#pipeline ı tanımla
+pipe=Pipeline(steps=[('preprocessor',preprocess),('model',my_model)])
+
+
+# In[ ]:
+
+
+#pipeline fit
+pipe.fit(X_train,y_train)
+
+
+# In[ ]:
+
+
+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[ ]:
+
+
+#isterseniz veri setinin tammamıyla tekrar eğitim yapabilirsiniz.
+#pipe.fit(X,y)
+
+
+# ## Streamlit ile modeli yayma/deploy/kullanıma sunma
+
+# In[ ]:
+
+
+get_ipython().system('pip install streamlit')
+
+
+# In[ ]:
+
+
+df['Mileage'].max()
+
+
+# In[ ]:
+
+
+df['Type'].unique()
+
+
+# In[ ]:
+
+
+df['Liter'].max()
+
+
+# #### Python ile yapılan çalışmnalrın hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamanızı sağlar.
+
+# In[ ]:
+
+
+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("Used Car Price Estimation:red_car: @jameswhitecookjr90")
+st.write('Select the features of the car')
+make=st.selectbox('Make',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('Mileage',100,200000)
+car_type=st.selectbox('Vehicle Type',df[(df['Make']==make) &(df['Model']==model)&(df['Trim']==trim)]['Type'].unique())
+cylinder=st.selectbox('Cylinder',df['Cylinder'].unique())
+liter=st.number_input('Engine Displacement',1,10)
+doors=st.selectbox('Number of Doors',df['Doors'].unique())
+cruise=st.radio('Cruise Control',[True,False])
+sound=st.radio('Audio System',[True,False])
+leather=st.radio('Leather Seat',[True,False])
+if st.button('Predict'):
+    pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)
+    st.write('Price:$', round(pred[0],2))
+
+
+# In[ ]:
+
+
+#streamlit run C:\ProgramData\anaconda3\Lib\site-packages\ipykernel_launcher.py
+
+
+# In[ ]:
+
+
+
+