Initial commit

app.py

@@ -0,0 +1,152 @@
+import joblib
+import numpy as np
+import pandas as pd
+import gradio as gr
+
+import torch
+import torch.nn as nn
+from torch.utils.data import Dataset, DataLoader
+
+
+brands = [
+  'Toyota', 'Honda', 'Mazda', 'Mitsubishi',
+  'Nissan', 'Suzuki'
+]
+models = [
+  'Vios', 'Altis', 'Civic', 'Mazda3', 'Camry',
+  'Mirage', 'Brio', 'Lancer Ex', 'Jazz', 'Accord',
+  'Lancer', 'Yaris', 'Almera', 'City', 'Swift', 'Mazda2',
+  'Teana', 'Note', 'Celerio', 'March', 'Tiida', 'Prius',
+  'Ciaz', 'Sylphy', 'Pulsar', 'Attrage', 'Sunny'
+]
+engines = [
+  1.5, 1.8, 1.7, 2.0, 1.2, 1.6, 2.4,
+  2.5, 1.0, 1.3, 2.3, 3.0, 2.2
+]
+segments = ['B-Segment', 'C-Segment', 'D-Segment', 'Eco Car']
+provinces = [
+  'สงขลา', 'กรุงเทพมหานคร', 'สระบุรี', 'ชัยนาท', 'ระยอง', 'นครสวรรค์',
+  'นนทบุรี', 'ตาก', 'สมุทรสาคร', 'เชียงใหม่', 'ลำปาง', 'สุพรรณบุรี', 'เชียงราย',
+  'เพชรบุรี', 'พิษณุโลก', 'นครปฐม', 'อุดรธานี', 'สมุทรปราการ', 'ปทุมธานี',
+  'นครราชสีมา', 'ชลบุรี', 'ปัตตานี', 'ราชบุรี', 'ลำพูน', 'กระบี่', 'ฉะเชิงเทรา',
+  'พัทลุง', 'อ่างทอง', 'ขอนแก่น', 'ปราจีนบุรี', 'สุราษฎร์ธานี', 'ภูเก็ต',
+  'หนองบัวลำภู', 'พิจิตร', 'พะเยา', 'ตราด', 'นครศรีธรรมราช', 'บุรีรัมย์',
+  'ลพบุรี', 'อุตรดิตถ์', 'ยโสธร', 'อุบลราชธานี', 'สิงห์บุรี', 'พระนครศรีอยุธยา',
+  'กาฬสินธุ์', 'สกลนคร', 'ร้อยเอ็ด', 'ระนอง', 'นครพนม', 'อุทัยธานี', 'จันทบุรี',
+  'มหาสารคาม', 'กาญจนบุรี', 'แพร่', 'บึงกาฬ', 'กำแพงเพชร', 'สมุทรสงคราม',
+  'สุโขทัย', 'ตรัง', 'แม่ฮ่องสอน', 'อำนาจเจริญ', 'นครนายก', 'ชัยภูมิ', 'พังงา',
+  'สระแก้ว', 'สุรินทร์', 'นราธิวาส', 'สตูล', 'ประจวบคีรีขันธ์', 'เพชรบูรณ์', 'ศรีสะเกษ',
+  'หนองคาย', 'ยะลา', 'น่าน'
+]
+colors = ['Gray', 'Black', 'Gold', 'Silver', 'Brown', 'White',
+          'Red', 'Yellow', 'Blue', 'Green', 'Cyan', 'Orange']
+examples = [
+  ['Honda', 'Civic', 1.8, 'C-Segment', 'ตรัง', 'Gray', 2009, 185477.0],
+  ['Honda', 'Accord', 2.4, 'D-Segment', 'ขอนแก่น', 'Black', 2003, 166508.0],
+  ['Honda', 'Jazz', 1.5, 'B-Segment', 'กรุงเทพมหานคร', 'White', 2011, 62000.0],
+  ['Honda', 'Civic', 1.8, 'C-Segment', 'พระนครศรีอยุธยา', 'White', 2012, 165346.0],
+  ['Suzuki', 'Swift', 1.2, 'Eco Car', 'กรุงเทพมหานคร', 'White', 2016, 193000.0],
+  ['Honda', 'City', 1.0, 'B-Segment', 'กรุงเทพมหานคร', 'Gray', 2020, 29000.0],
+  ['Honda', 'City', 1.5, 'B-Segment', 'พิษณุโลก', 'Gray', 2007, 126208.0],
+  ['Toyota', 'Yaris', 1.5, 'Eco Car', 'เชียงใหม่', 'White', 2013, 100000.0],
+  ['Toyota', 'Altis', 1.6, 'C-Segment', 'กรุงเทพมหานคร', 'Silver', 2009, 260000.0],
+  ['Honda', 'Civic', 1.8, 'C-Segment', 'กรุงเทพมหานคร', 'Silver', 2006, 232433.0],
+]
+CAT_COLUMNS = ["Brand", "Model", "Engine", "Segment", "Province", "Color"]
+
+
+class CarPriceDataset(Dataset):
+    def __init__(self, X, y = None):
+        self.X = X
+        if y is not None:
+            self.y = y
+        else:
+            self.y = None
+
+    def __len__(self):
+        return len(self.X)
+
+    def __getitem__(self, idx):
+        if self.y is not None:
+            return self.X[idx], self.y[idx]
+        else:
+            return self.X[idx]
+
+class CarPriceTwoLayerModel(nn.Module):
+    def __init__(self, input_size, output_size, intermediate_dim = 10):
+        super().__init__()
+        self.linear1 = nn.Linear(input_size, intermediate_dim)
+        self.linear2 = nn.Linear(intermediate_dim, output_size)
+        self.relu = nn.ReLU()
+
+    def forward(self, x):
+        x = self.linear1(x)
+        x = self.relu(x)
+        x = self.linear2(x)
+        return x
+
+# Load model
+pred_model = CarPriceTwoLayerModel(138, 1)
+pred_model.load_state_dict(torch.load("carprice_two_layer_model_mse_00015.pth"))
+
+# Load one-hot encoder and scaler
+ohe = joblib.load("one_hot_encoder.joblib")
+year_scaler = joblib.load("year_scaler.joblib")
+mileage_scaler = joblib.load("mileage_scaler.joblib")
+price_scaler = joblib.load("price_scaler.joblib")
+
+
+def predict(model, data_loader):
+    model.eval()
+    y_pred_list = []
+    for x in data_loader:
+        y_pred = model(x.float())
+        prediction = y_pred.detach().numpy()
+        y_pred_list.extend(prediction)
+    y_pred_list = np.concatenate(y_pred_list)
+    return y_pred_list
+
+
+def predict_car_price(
+    brand: str, model: str, engine: float, segment: str, province: str,
+    color: str, year: float, mileage: float
+):
+    df = pd.DataFrame([{
+      "Brand": brand,
+      "Model": model,
+      "Engine": engine,
+      "Segment": segment,
+      "Province": province,
+      "Color": color,
+      "Year": year,
+      "Mileage": mileage,
+    }])
+    features = np.hstack([
+        ohe.transform(df[CAT_COLUMNS]),
+        year_scaler.transform(df[["Year"]]),
+        mileage_scaler.transform(df[["Mileage"]])
+    ])
+    feat_dataset = CarPriceDataset(features)
+    dataloaders = DataLoader(feat_dataset, batch_size=32, shuffle=False)
+    y_pred_lr = predict(pred_model, dataloaders)
+    return int(price_scaler.inverse_transform(y_pred_lr.reshape(-1, 1)).ravel()[0])
+
+
+interface = gr.Interface(
+    fn=predict_car_price,
+    inputs=[
+      gr.Dropdown(brands, label="Brand", info="Select Car Brand"),
+      gr.Dropdown(models, label="Model", info="Select Car Model"),
+      gr.Dropdown(engines, label="Engine Size", info="Select Engine Size"),
+      gr.Dropdown(segments, label="Car segment", info="Select Car Segment"),
+      gr.Dropdown(provinces, label="Province", info="Select Province"),
+      gr.Dropdown(colors, label="Color", info="Select Color"),
+      gr.Slider(1990, 2023, label="Year", info="Select Year"),
+      gr.Slider(0, 400000, label="Mileage", info="Select Mileage"),
+    ],
+    outputs=gr.Textbox(label="ราคาทำนาย (บาท)", placeholder="xxx,xxx (บาท)"),
+    examples=examples,
+    title="ทำนายราคารถมือสอง",
+    description="ตัวอย่างแอพพลิเคชั่นสำหรับคำนวณราคารถมือสอง",
+)
+interface.launch()

carprice_two_layer_model_mse_00015.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:de4e5ec96b38ff26a2395f90a07398aaf75aee33d1fe861c0d02ee8dc4382422
+size 7553

mileage_scaler.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:765d6c3426f034c6cc807f0fc5576ec44dca78080db2e8eabc3f9d6e87ccb6cb
+size 909

one_hot_encoder.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b7c68c8fc8f04f21e440f60b3dfb6adc5364dd986a78540c495cb90d00b8265b
+size 5034

price_scaler.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0dc64226c6ebd02dbde58eb62d52ba13d61cee5390cd410867902c8ba52b4c82
+size 907

requirements.txt

@@ -0,0 +1,2 @@
+gradio
+gradio_client==0.2.7

year_scaler.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:86f4ce94683756213f272a70526c81ce2e5d087f5b9cc45dd9b373177d8667c3
+size 906