arac-fiyat-tahmin-modeli

Araç Fiyat Tahmin Modeli (Car Price Predictor)

Bu model, araçların teknik özelliklerini ve kilometre bilgilerini kullanarak piyasa değerini (Fiyat/Price) tahmin etmek amacıyla eğitilmiş bir Makine Öğrenmesi (Regression) modelidir.

Proje kapsamında geleneksel yapısal veriler (tabular data) üzerinde yüksek performans gösteren Random Forest Regressor algoritması kullanılmıştır.

Veri Seti Kaynağı (Dataset)

Modelin eğitiminde ve test edilmesinde kullanılan orijinal veri setine aşağıdaki bağlantıdan ulaşabilirsiniz:

• Veri Seti: cars.xls (GitHub)

Model Açıklaması

Model, araç fiyatlarını etkileyen hem sayısal hem de kategorik nitelikleri aynı anda işleyebilecek uçtan uca bir veri işleme hattı (Pipeline) mimarisine sahiptir. Girdi olarak alınan ham veriler otomatik olarak ölçeklendirilir ve kategorik dönüşümleri tamamlanarak modele aktarılır.

Kullanılan Özellikler (Features):

• Kategorik Öznitelikler: Make (Marka), Model (Model), Trim (Donanım Paketi), Type (Kasa Tipi)
• Sayısal Öznitelikler: Mileage (Kilometre), Cylinder (Silindir Sayısı), Liter (Motor Hacmi), Doors (Kapı Sayısı), Cruise (Hız Sabitleyici), Sound (Ses Sistemi), Leather (Deri Koltuk)

Hedef Değişken (Target):

• Price (Araç Fiyatı)

Veri Ön İşleme (Preprocessing)

Modelin girdi kalitesini artırmak ve kararlı çalışmasını sağlamak adına aşağıdaki ön işleme adımları Pipeline içerisine gömülmüştür:

1. Sayısal Değişkenler: StandardScaler kullanılarak standartlaştırılmış (ortalama = 0, varyans = 1), böylece büyük sayısal değerlerin (örneğin kilometre) model üzerinde baskınlık kurması engellenmiştir.
2. Kategorik Değişkenler: OneHotEncoder(handle_unknown='ignore') ile ikili (binary) matrislere dönüştürülmüştür. Gelecekte model test edilirken eğitim setinde bulunmayan yeni bir marka/model girdisi gelirse hata vermemesi için handle_unknown='ignore' parametresi tercih edilmiştir.

Model Performansı (Evaluation)

Model, eğitim veri setinin %20'si ile test edilmiş ve aşağıdaki metrikler elde edilmiştir:

• R² Skoru (Belirlenim Katsayısı): Eğitim kalitesine göre değişiklik göstermekle birlikte, varyansın büyük kısmını açıklayan yüksek bir başarı oranına sahiptir.
• MAE (Ortalama Mutlak Hata): Modelin yaptığı tahminlerin gerçek fiyatlardan ortalama sapma miktarını gösterir.

Nasıl Kullanılır? (Inference)

Bu modeli yerel bilgisayarınızda veya Google Colab üzerinde yükleyip tahminleme yapmak için aşağıdaki kod bloğunu kullanabilirsiniz.

Gereksinimler

pip install huggingface_hub scikit-learn pandas joblib openpyxl