परिचय

इस लेख में, हम स्किकिट-लर्न का उपयोग करके एक संपूर्ण मशीन लर्निंग प्रोजेक्ट वर्कफ़्लो प्रदर्शित करेंगे। हम औसत आय, घर की उम्र और कमरों की औसत संख्या जैसी विभिन्न विशेषताओं के आधार पर कैलिफोर्निया में आवास की कीमतों का अनुमान लगाने के लिए एक मॉडल बनाएंगे। यह प्रोजेक्ट डेटा लोडिंग, अन्वेषण, मॉडल प्रशिक्षण, मूल्यांकन और परिणामों के विज़ुअलाइज़ेशन सहित प्रक्रिया के प्रत्येक चरण में आपका मार्गदर्शन करेगा। चाहे आप बुनियादी बातों को समझने के इच्छुक नौसिखिया हों या पुनश्चर्या की तलाश में एक अनुभवी व्यवसायी हों, यह लेख मशीन लर्निंग तकनीकों के व्यावहारिक अनुप्रयोग में मूल्यवान अंतर्दृष्टि प्रदान करेगा।

कैलिफ़ोर्निया आवास मूल्य पूर्वानुमान परियोजना

1 परिचय

कैलिफोर्निया आवास बाजार अपनी अनूठी विशेषताओं और मूल्य निर्धारण की गतिशीलता के लिए जाना जाता है। इस परियोजना में, हमारा लक्ष्य विभिन्न विशेषताओं के आधार पर घर की कीमतों की भविष्यवाणी करने के लिए एक मशीन लर्निंग मॉडल विकसित करना है। हम कैलिफ़ोर्निया हाउसिंग डेटासेट का उपयोग करेंगे, जिसमें औसत आय, घर की आयु, औसत कमरे और बहुत कुछ जैसी विभिन्न विशेषताएं शामिल हैं।

2. पुस्तकालय आयात करना

इस अनुभाग में, हम डेटा हेरफेर, विज़ुअलाइज़ेशन और हमारे मशीन लर्निंग मॉडल के निर्माण के लिए आवश्यक लाइब्रेरी आयात करेंगे।

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.datasets import fetch_california_housing

3. डेटासेट लोड हो रहा है

हम कैलिफ़ोर्निया हाउसिंग डेटासेट लोड करेंगे और डेटा को व्यवस्थित करने के लिए एक डेटाफ़्रेम बनाएंगे। लक्ष्य चर, जो घर की कीमत है, एक नए कॉलम के रूप में जोड़ा जाएगा।

# Load the California Housing dataset
california = fetch_california_housing()
df = pd.DataFrame(california.data, columns=california.feature_names)
df['PRICE'] = california.target

4. बेतरतीब ढंग से नमूने का चयन करना

विश्लेषण को प्रबंधनीय बनाए रखने के लिए, हम अपने अध्ययन के लिए डेटासेट से यादृच्छिक रूप से 700 नमूनों का चयन करेंगे।

# Randomly Selecting 700 Samples
df_sample = df.sample(n=700, random_state=42)

5. हमारे डेटा को देखना

यह अनुभाग हमारे डेटा की विशेषताओं और संरचना को समझने के लिए पहली पांच पंक्तियों को प्रदर्शित करते हुए डेटासेट का अवलोकन प्रदान करेगा।

# Overview of the data
print("First five rows of the dataset:")
print(df_sample.head())

उत्पादन

First five rows of the dataset:
       MedInc  HouseAge  AveRooms  AveBedrms  Population  AveOccup  Latitude  \
20046  1.6812      25.0  4.192201   1.022284      1392.0  3.877437     36.06   
3024   2.5313      30.0  5.039384   1.193493      1565.0  2.679795     35.14   
15663  3.4801      52.0  3.977155   1.185877      1310.0  1.360332     37.80   
20484  5.7376      17.0  6.163636   1.020202      1705.0  3.444444     34.28   
9814   3.7250      34.0  5.492991   1.028037      1063.0  2.483645     36.62   

       Longitude    PRICE  
20046    -119.01  0.47700  
3024     -119.46  0.45800  
15663    -122.44  5.00001  
20484    -118.72  2.18600  
9814     -121.93  2.78000  

डेटाफ़्रेम जानकारी प्रदर्शित करें

print(df_sample.info())

उत्पादन

Index: 700 entries, 20046 to 5350
Data columns (total 9 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   MedInc      700 non-null    float64
 1   HouseAge    700 non-null    float64
 2   AveRooms    700 non-null    float64
 3   AveBedrms   700 non-null    float64
 4   Population  700 non-null    float64
 5   AveOccup    700 non-null    float64
 6   Latitude    700 non-null    float64
 7   Longitude   700 non-null    float64
 8   PRICE       700 non-null    float64
dtypes: float64(9)
memory usage: 54.7 KB

सारांश आँकड़े प्रदर्शित करें

print(df_sample.describe())

उत्पादन

           MedInc    HouseAge    AveRooms   AveBedrms   Population  \
count  700.000000  700.000000  700.000000  700.000000   700.000000   
mean     3.937653   28.855714    5.404192    1.079266  1387.422857   
std      2.085831   12.353313    1.848898    0.236318  1027.873659   
min      0.852700    2.000000    2.096692    0.500000     8.000000   
25%      2.576350   18.000000    4.397751    1.005934   781.000000   
50%      3.480000   30.000000    5.145295    1.047086  1159.500000   
75%      4.794625   37.000000    6.098061    1.098656  1666.500000   
max     15.000100   52.000000   36.075472    5.273585  8652.000000   

         AveOccup    Latitude   Longitude       PRICE  
count  700.000000  700.000000  700.000000  700.000000  
mean     2.939913   35.498243 -119.439729    2.082073  
std      0.745525    2.123689    1.956998    1.157855  
min      1.312994   32.590000 -124.150000    0.458000  
25%      2.457560   33.930000 -121.497500    1.218500  
50%      2.834524   34.190000 -118.420000    1.799000  
75%      3.326869   37.592500 -118.007500    2.665500  
max      7.200000   41.790000 -114.590000    5.000010  

6. डेटासेट को ट्रेन और टेस्ट सेट में विभाजित करना

हम डेटासेट को सुविधाओं (एक्स) और लक्ष्य चर (वाई) में अलग करेंगे और फिर इसे मॉडल प्रशिक्षण और मूल्यांकन के लिए प्रशिक्षण और परीक्षण सेट में विभाजित करेंगे।

# Splitting the dataset into Train and Test sets
X = df_sample.drop('PRICE', axis=1)  # Features
y = df_sample['PRICE']  # Target variable

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

7. मॉडल प्रशिक्षण

इस खंड में, हम सुविधाओं और घर की कीमतों के बीच संबंध जानने के लिए प्रशिक्षण डेटा का उपयोग करके एक रैखिक प्रतिगमन मॉडल बनाएंगे और प्रशिक्षित करेंगे।

# Creating and training the Linear Regression model
lr = LinearRegression()
lr.fit(X_train, y_train)

8. मॉडल का मूल्यांकन

हम परीक्षण सेट पर भविष्यवाणियां करेंगे और मॉडल के प्रदर्शन का मूल्यांकन करने के लिए मीन स्क्वेयर्ड एरर (एमएसई) और आर-स्क्वायर मानों की गणना करेंगे।

# Making predictions on the test set
y_pred = lr.predict(X_test)

# Calculating Mean Squared Error
mse = mean_squared_error(y_test, y_pred)
print(f"\nLinear Regression Mean Squared Error: {mse}")

उत्पादन

Linear Regression Mean Squared Error: 0.3699851092128846

9. वास्तविक बनाम अनुमानित मान प्रदर्शित करना

यहां, हम अपने मॉडल द्वारा उत्पन्न अनुमानित कीमतों के साथ वास्तविक घर की कीमतों की तुलना करने के लिए एक डेटाफ़्रेम बनाएंगे।

# Displaying Actual vs Predicted Values
results = pd.DataFrame({'Actual Prices': y_test.values, 'Predicted Prices': y_pred})
print("\nActual vs Predicted:")
print(results)

उत्पादन

Actual vs Predicted:
     Actual Prices  Predicted Prices
0          0.87500          0.887202
1          1.19400          2.445412
2          5.00001          6.249122
3          2.78700          2.743305
4          1.99300          2.794774
..             ...               ...
135        1.62100          2.246041
136        3.52500          2.626354
137        1.91700          1.899090
138        2.27900          2.731436
139        1.73400          2.017134

[140 rows x

 2 columns]

10. परिणामों की कल्पना करना

अंतिम खंड में, हम मॉडल के प्रदर्शन का आकलन करने के लिए एक स्कैटर प्लॉट का उपयोग करके वास्तविक और अनुमानित घर की कीमतों के बीच संबंध की कल्पना करेंगे।

# Visualizing the Results
plt.figure(figsize=(8, 6))
plt.scatter(y_test, y_pred, color='blue')
plt.xlabel('Actual Prices')
plt.ylabel('Predicted Prices')
plt.title('Actual vs Predicted House Prices')

# Draw the ideal line
plt.plot([0, 6], [0, 6], color='red', linestyle='--')

# Set limits to minimize empty space
plt.xlim(y_test.min() - 1, y_test.max()   1)
plt.ylim(y_test.min() - 1, y_test.max()   1)

plt.grid()
plt.show()

निष्कर्ष

इस परियोजना में, हमने विभिन्न विशेषताओं के आधार पर कैलिफ़ोर्निया आवास की कीमतों की भविष्यवाणी करने के लिए एक रैखिक प्रतिगमन मॉडल विकसित किया है। मॉडल के प्रदर्शन का मूल्यांकन करने के लिए माध्य चुकता त्रुटि की गणना की गई, जिसने भविष्यवाणी सटीकता का एक मात्रात्मक माप प्रदान किया। विज़ुअलाइज़ेशन के माध्यम से, हम यह देखने में सक्षम थे कि हमारे मॉडल ने वास्तविक मूल्यों के मुकाबले कितना अच्छा प्रदर्शन किया।

यह प्रोजेक्ट रियल एस्टेट एनालिटिक्स में मशीन लर्निंग की शक्ति को प्रदर्शित करता है और अधिक उन्नत भविष्य कहनेवाला मॉडलिंग तकनीकों के लिए एक आधार के रूप में काम कर सकता है।