Housing-Price-Prediction-Project

Обзор

Данный проект, реализованный в Jupyter Notebook, представляет собой образовательное и практическое исследование методов машинного обучения (ML) для прогнозирования цен на аренду жилья в Нью-Йорке. Проект сочетает теоретическое введение в концепции ML с практическим анализом данных, визуализацией и моделированием. Он демонстрирует основы машинного обучения, предобработку данных, создание новых признаков и оценку моделей на реальных данных об аренде жилья.

Проект состоит из двух основных частей:

1. Введение в машинное обучение: Теоретический обзор примеров применения ML, классификации задач и различий между многоклассовой и многометочной классификацией.
2. Анализ данных и моделирование: Практическая реализация предобработки данных, визуализации и регрессионного моделирования для прогнозирования цен на аренду на основе таких признаков, как местоположение, количество спален и ванных комнат.

Цели проекта

• Изучить примеры применения машинного обучения в реальных сценариях, таких как рекомендательные системы, обработка естественного языка, медицинская диагностика, автономные транспортные средства и обнаружение мошенничества.
• Классифицировать задачи машинного обучения и объяснить, как регрессионные задачи могут быть преобразованы в задачи классификации.
• Провести разведочный анализ данных (EDA) для набора данных об аренде жилья.
• Построить и оценить регрессионные модели для предсказания цен на аренду с использованием новых признаков и полиномиальных преобразований.
• Сравнить производительность моделей по метрикам средней абсолютной ошибки (MAE) и средней квадратичной ошибки (RMSE).

Датасет

Используемый датасет содержит информацию об объявлениях аренды жилья в Нью-Йорке, вероятно, взят из открытых источников (например, Kaggle Two Sigma Connect: Rental Listing Inquiries). Основные признаки включают:

• bathrooms: Количество ванных комнат.
• bedrooms: Количество спален.
• latitude и longitude: Географические координаты объекта.
• price: Целевая переменная (цена аренды).
• features: Список удобств (например, лифт, посудомоечная машина).
• Дополнительные метаданные: building_id, manager_id, created и др.

Данные проходят предобработку, включая обработку категориальных переменных, заполнение пропусков и создание новых признаков, таких как полиномиальные.

Требования

Для работы с проектом необходимы следующие зависимости:

• Python 3.8 или выше
• Jupyter Notebook
• Библиотеки Python:

  pip install pandas numpy scikit-learn lightgbm scipy statsmodels matplotlib seaborn