Upload 3 files

app.py

@@ -0,0 +1,87 @@
+#!/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.
+
+
+import pandas as pd
+from sklearn.model_selection import train_test_split #veri setini bölme işlemleri
+from sklearn.linear_model import LinearRegression #Dogrusal 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
+
+
+df=pd.read_excel("cars.xls")
+df.head()
+df.info()
+
+#Veri ön işleme
+X=df.drop('Price',axis=1) #Fiyat sutunu çıkar fiyata etki edenler kalsın
+y=df['Price'] #tahmin edilecek sutun
+
+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 kullanıcıda arayüz aracılığıyla gelen veriyi  uygun hale çevirebiliriz.
+
+
+preprocess=ColumnTransformer(
+    transformers=[
+        ('num', StandardScaler(),['Mileage','Cylinder','Liter','Doors']),
+        ('cat', OneHotEncoder(), ['Make','Model','Trim','Type'])
+    ]
+)
+
+my_model=LinearRegression()
+
+#pipline tanımlama
+pipe=Pipeline(steps=[('preprocessor', preprocess), ('model', my_model)])
+
+#pipline fit edilmesi
+pipe.fit(X_train, y_train)
+
+y_pred=pipe.predict(X_test)
+mean_squared_error(y_test,y_pred)**0.5,r2_score(y_test,y_pred)
+
+# Python ile yapılan çalışmaların hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamamızı sağlar
+
+import streamlit as st
+#price tahmin fonksiyonu tanımlama
+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 Fiyat Tahmini:blue_car: @miturkoglu")
+st.write('Arabanın özelliklerini seçiniz.Fiyat tahmini yapmak istediğiniz arabanın bilgilerini giriniz')
+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)
+#mileage=st.slider("Mileage",int(df['Mileage'].min()),int(df['Mileage'].max()))
+#car_type=st.selectbox('Araç Tipi',df['Type'].unique())
+car_type=st.selectbox('Araç Tipi',df[(df['Make']==make) &(df['Model']==model)&(df['Trim']==trim)]['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.selectbox('Hız Sabitleyici',[True,False])
+sound=st.selectbox('Ses Sistemi',[True,False])
+leather=st.selectbox('Deri Döşeme',[True,False])
+if st.button('Tahmin Et'):
+    pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)
+    st.write('Tahmini Fiyat :red_car:  $',round(pred[0],2))
+    
+
+
+

requirements.txt

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