Downloads · 30 days
0
usedcars
schlenat/usedcars
usedcars is a machine learning model from schlenat. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
Ziel dieses Projekts ist es, den Preis von Gebrauchtwagen vorherzusagen. Dazu werden sowohl fahrzeugspezifische Merkmale (wie Kilometerstand, Marke, Modell) als auch landesspezifische Wirtschaftsdaten (z. B. BIP, Eink…
Access
Public
Updated May 24, 2025
Repo size
24.9 MB
Likes
0
Public
Repo makeup
Click a slice to open those files.
.pkl24.9 MB · 95%
At a glance
- Access
- Public
- Created
- May 24, 2025
- Updated
- May 24, 2025
- SHA
- d3846c21
Model card
From the Hugging Face model README
AI-End-to-End-Machine-learning-project
🚗 Gebrauchtwagenpreis-Vorhersage
📄 Projektbeschreibung
Ziel dieses Projekts ist es, den Preis von Gebrauchtwagen vorherzusagen. Dazu werden sowohl fahrzeugspezifische Merkmale (wie Kilometerstand, Marke, Modell) als auch landesspezifische Wirtschaftsdaten (z. B. BIP, Einkommen) genutzt.
📈 Ergebnisse
Das Modell der linearen Regression zeigte ein gutes Fit (R² = 0.96), allerdings ist der RMSE (≈28'375 CHF) relativ hoch.
Der Random Forest Regressor zeigte ein deutlich höheres Overfitting-Verhalten mit R² = 0.52 bei RMSE = 99'482 CHF.
Dies deutet darauf hin, dass das Modell stark durch einige dominante Features beeinflusst wird oder zusätzliche Feature Engineering nötig ist.
🔗 URLs
| Name | Link |
|---|---|
| Huggingface | folgt |
| GitHub | folgt |
📦 Datenquellen und verwendete Features
| Datenquelle | Features |
|---|---|
used_cars.csv | brand, model, milage, fuel_type, transmission, price, country |
country_data.csv | income, gdpp |
🛠 Generierte Features
| Feature | Beschreibung |
|---|---|
milage | Kilometerstand bereinigt (numerisch) |
relative_price | Verhältnis Preis zu mittlerem Einkommen des Landes (price/income) |
price_vs_gdpp | Verhältnis Preis zu BIP pro Kopf (price/gdpp) |
| One-Hot Encoding | Für model, brand, fuel_type, transmission, country |
🧪 Modellierung
Train/Test-Split: 80/20 Split mit random_state=42
Imputation: Fehlende Werte wurden mit Mittelwert ersetzt (SimpleImputer)
Trainierte Modelle
LinearRegression(Scikit-learn)RandomForestRegressor(Scikit-learn, 100 Trees, Default)
Evaluation
| Modell | RMSE | R² |
|---|---|---|
| Linear Regression | 28'375.74 CHF | 0.96 |
| Random Forest | 99'481.67 CHF | 0.52 |
📊 Wichtigste Features (Random Forest)
Die wichtigsten Merkmale laut Feature Importance Visualisierung:
milagegdppincome- Modell-spezifische Dummy-Variablen (
model_<X>)
- Created
- May 24, 2025
- Updated
- May 24, 2025