سورس پیش بینی قیمت خانه با Decision Tree

95.000تومان

  • فرمت فایل: فایل پایتون (.py)
  • زبان برنامه نویسی: پایتون
  • Frame گرافیکی: دارد
  • ماژول استفاده شده: sklearn، seaborn، numpy، pandas، matplotlib

توضیحات

در این قسمت تیم کدگیت سورس پیش بینی قیمت خانه با Decision Tree را تهیه کرده است. یادگیری ماشین وارد دنیای روزمره ما انسان‌ها شده است. دیگر از طریق یک تلفن همراه و نصب اپلیکیشن می‌توان یک بیماری را تشخیص داد. یادگیری ماشین، هوش مصنوعی و تمامی شاخه‌های آن در دنیای امروز کاربردهای بسیاری پیدا کرده است. با توجه به گسترش این شاخه از علم، ما نیز تصمیم گرفتیم سورسی از همین رشته تهیه و آماده سازی نماییم. سورس پیش بینی قیمت خانه که از الگوریتم Decision Tree استفاده می‌کند. با ما همراه باشید تا این سورس جذاب را معرفی کنیم.

سورس پیش بینی قیمت خانه با Decision Tree

تکنولوژی امروزه به سرعت در حال پیشرفت است. تشخیص عینک، تشخیص خودرو، تشخیص چشم و … تنها بخشی از پیشرفت تکنولوژی است که با کمک پردازش تصویر، بینایی ماشین و هوش مصنوعی قابل انجام است. در این قسمت سورس پیش بینی قیمت خانه با Decision Tree در پایتون را تهیه کرده‌ایم. برای این کار ما از ماژول sklearn و seaborn و numpy و pandas و matplotlib کمک می‌گیریم. در صورتی که با این ماژول‌ها آشنایی ندارید پیشنهاد می‌کنیم دوره آموزش پیش نیاز علم داده را مطالعه نمایید چراکه در این دوره تمامی ماژول‌های فوق (به استثنا sklearn) آموزش داده می‌شوند. همچنین دیتاست استفاده گردیده در این پروژه Boston House Prices می‌باشد.

نحوه اجرا سورس پیش بینی قیمت خانه

زبان برنامه نویسی سورس پیش بینی قیمت خانه، پایتون بوده و فرمت فایل .py است. بعد از تهیه سورس از سایت کدگیت فایلی با فرمت zip در اختیار شما قرار می‌گیرد. فایل را از حالت zip خارج کرده تا بتوانید سورس کد را ببینید. فایل اصلی برنامه با نام Decision Tree housing price.py می‌باشد. این فایل را اجرا کنید تا برنامه اجرا شود. پس از اجرا خروجی زیر را مشاهده خواهید کرد:

سورس پیش بینی قیمت خانه با Linear Regression

مقایسه متغیرهای دیتاست در یک نمودار

سورس پیش بینی قیمت خانه با Linear Regression

بررسی وابستگی ویژگی‌ها

سورس پیش بینی قیمت خانه با Linear Regression

مقایسه وابستگی هر ستون دیتاست با ستون Y

علاوه بر تصاویر بالا در کنسول، خروجی زیر را خواهید دید:

      CRIM    ZN  INDUS  CHAS    NOX     RM   AGE     DIS  RAD    TAX  PTRATIO       B  LSTAT  MEDV
0  0.00632  18.0   2.31     0  0.538  6.575  65.2  4.0900    1  296.0     15.3  396.90   4.98  24.0
1  0.02731   0.0   7.07     0  0.469  6.421  78.9  4.9671    2  242.0     17.8  396.90   9.14  21.6
2  0.02729   0.0   7.07     0  0.469  7.185  61.1  4.9671    2  242.0     17.8  392.83   4.03  34.7
3  0.03237   0.0   2.18     0  0.458  6.998  45.8  6.0622    3  222.0     18.7  394.63   2.94  33.4
4  0.06905   0.0   2.18     0  0.458  7.147  54.2  6.0622    3  222.0     18.7  396.90   5.33  36.2
The Boston housing Price Prediction Dataset has
                Number of Factors :      13
                Number of Samples :      506
             CRIM          ZN       INDUS        CHAS  ...     PTRATIO           B       LSTAT        MEDV
count  506.000000  506.000000  506.000000  506.000000  ...  506.000000  506.000000  506.000000  506.000000
mean     3.613524   11.363636   11.136779    0.069170  ...   18.455534  356.674032   12.653063   22.532806
std      8.601545   23.322453    6.860353    0.253994  ...    2.164946   91.294864    7.141062    9.197104
min      0.006320    0.000000    0.460000    0.000000  ...   12.600000    0.320000    1.730000    5.000000
25%      0.082045    0.000000    5.190000    0.000000  ...   17.400000  375.377500    6.950000   17.025000
50%      0.256510    0.000000    9.690000    0.000000  ...   19.050000  391.440000   11.360000   21.200000
75%      3.677083   12.500000   18.100000    0.000000  ...   20.200000  396.225000   16.955000   25.000000
max     88.976200  100.000000   27.740000    1.000000  ...   22.000000  396.900000   37.970000   50.000000

[8 rows x 14 columns]
is Null?
CRIM       0
ZN         0
INDUS      0
CHAS       0
NOX        0
RM         0
AGE        0
DIS        0
RAD        0
TAX        0
PTRATIO    0
B          0
LSTAT      0
MEDV       0
dtype: int64
Training Score :  0.9983902854991537
Testing Score  :  0.7080943086546287
R2 Score :  0.7080943086546287
MSE :  21.406548672385618

در خروجی بالا اطلاعات زیر قرار گرفته است:

  • ابعاد دیتاست
  • اطلاعات آماری دیتاست
  • بررسی وجود دیتا Null
  • دقت مدل پس از train

فایل‌ها و ماژول‌ها سورس کد

در سورس پیش بینی قیمت خانه از فایل‌ها و ماژول‌های زیر استفاده گردیده است:

  • Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
  • pandas: با دستور pip install pandas از طریق cmd، نصب این ماژول انجام می‌شود.
  • matplotlib: دستور pip install matplotlib را در cmd بزنید.
  • seaborn: برای نصب seaborn نیز در cmd دستور pip install seaborn را بنویسید.
  • scikit-learn: نصب scikit-learn با دستور pip install scikit-learn از طریق cmd انجام می‌شود.

برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید:

توضیحات تکمیلی

زبان برنامه نویسی

پایتون

فرمت فایل

.py

Frame گرافیکی

دارد

تست شده

توسط کارشناسان تیم کدگیت

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “سورس پیش بینی قیمت خانه با Decision Tree”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *