В сегодняшнем сценарии все мы знаем, что рынок недвижимости ориентирован на ценообразование и постоянно колеблется. Это обычная область, в которой мы можем применять идеи машинного обучения для повышения стоимости с высокой точностью. Этот проект помогает найти цену на недвижимость на основе географических переменных путем разбивки прошлых рыночных моделей и диапазонов значений, а также будущих достижений, которые будут предвидены в будущем.
Обзор проекта
Прежде всего, нам нужно скачать набор данных из kaggle. Затем мы должны применить разработку функций к набору данных для очистки данных, масштабирования функций, предварительной обработки данных и многого другого. Затем мы должны разделить наш набор данных на две части, первая часть говорит о независимой функции и зависимой функции. В зависимой характеристике мы рассматриваем цену, а независимую характеристику - в остальной части столбца. Затем мы должны разделить набор данных на две части: набор данных для первой части и набор тестовых данных для второй части. Затем, после того, как мы должны применить некоторую регрессионную модель для обучения данных. После этого мы протестировали модель и проверили точность модели. После проверки моделей я пришел к выводу, что модель линейной регрессии лучше всего подходит для этого проекта, а точность модели линейной регрессии составляет 88%.
После создания модели мы должны развернуть нашу модель линейной регрессии в веб-приложении. Для этого я использую фреймворк Python Flask. В основном Flask используется для соединения модели линейной регрессии с кодом HTML, CSS, Javascript.
После успешного создания веб-приложения мы должны разместить наше веб-приложение. Для этого я использую платформу Heroku. Heroku используется для размещения нашего веб-приложения.
Кроме того, я добавил чат-бота в это веб-приложение. Этот чат-бот создан с помощью IBM Watson Assistant.
Инструменты и технологии
Технологии - блокнот Jupyter
Язык - Python
Вывод:
В этом проекте я узнал о том, как загрузить набор данных, как применить разработку функций, как вписать модель в набор данных, как проверить точность модели и многое другое, чему я научился в этом проекте.
Ссылка на Github:
Https://github.com/PrinceAjudiya/Deploy-House-Price-Prediction-Using-Flask-in-Heroku
