Update app.py

app.py

@@ -1,13 +1,6 @@
 #!/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
@@ -16,65 +9,15 @@ 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[ ]:
 
+df
 
 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']),
@@ -82,73 +25,24 @@ preprocess=ColumnTransformer(
     ]
 )
 
-
-# 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):
@@ -181,16 +75,3 @@ 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[ ]:
-
-
-
-