Превратите свой анализ в веб-приложение

Я был очень взволнован, когда воплотил эту модель в жизнь в приложении Streamlit. С помощью этого приложения пользователи могут легко вводить данные, получая в результате прогнозы цен на жилье в режиме реального времени.

Я собираюсь сделать несколько веб-приложений по городскому планированию. На первом этапе я углубляюсь в тенденции рынка жилья Мельбурна. Цель была ясна: разработать интерактивный инструмент прогнозирования, который дает представление о ценах на жилье.

Источник данных

Бесценный набор данных для этого проекта взят из сокровищницы Kaggle. Смотрите это здесь.

Фотоисточник

Шаги по созданию приложения

1. Предварительная обработка данных: работать с данными в Jupyter Notebook стало проще! Итак, в JN я проанализировал набор данных и выполнил предварительную обработку, чтобы устранить пропущенные значения и придать категориальным переменным форму, пригодную для обучения.

2. Построение модели: я использовал RandomForestRegressor для построения надежной модели. Затем я оцениваю это по среднеквадратической ошибке. Я сохранил модель с помощью Joblib и перехожу к VSCode для следующих шагов.

3. Развертывание модели и Streamlit Fusion.Я загрузил модель и создал пользовательский интерфейс своего проекта. ChatGPT действительно полезен.

Я интегрировал модель в увлекательное приложение Streamlit. Этот интерактивный интерфейс предлагал пользователям вводить значения функций, показывая мгновенные прогнозы цен на жилье и местоположение.

**Испытайте интерактивное приложение самостоятельно: [Приложение для прогнозирования цен на жилье в Мельбурне](https://melbourne-housing.streamlit.app/)**

4. Развертывание!

Эта часть почти пустяковая! Разместите свой проект на GitHub, а затем подключите его к облаку Streamlit.

## проблем: совместимость версий!

Тем не менее, ни один проект не обходится без проблем. Я забыл обновить пакет Scikit-learn в Jupyter Notebook, поэтому застрял на последующих этапах.

Прежде чем переходить с JN на VSCode, убедитесь, что у вас установлена ​​последняя версия пакетов. Кроме того, я использовал виртуальную среду для хранения пакетов, связанных с Streamlit.

Несмотря на то, что Streamlit является мощным инструментом, он создает некоторые препятствия на этом пути. Настройка и стилизация CSS оказались более сложными, чем ожидалось. Концепция использования идентификаторов элементов для частичного управления стилем принесла свои сложности. Кроме того, серверная природа Streamlit означала, что любые изменения во входных данных приводили к полному повторному запуску страницы, что время от времени вызывало узкие места в производительности.

Преимущества Стримлит

Несмотря на эти проблемы, Streamlit изменил правила игры. Скорость, с которой я смог разработать и развернуть интерактивное приложение, была поистине поразительной. Это упростило процесс и позволило мне больше сосредоточиться на тонкой настройке модели и улучшении пользовательского опыта.

Влияние проекта

Этот проект касается не только алгоритмов прогнозирования и данных; речь идет о переводе сложности в доступность. Рынок жилья может быть сложной сферой для навигации, но с помощью этого приложения пользователи могут получить четкое представление о том, как различные факторы влияют на цены. Являетесь ли вы потенциальным покупателем, энтузиастом недвижимости или градостроителем, информация, предлагаемая этим приложением, будет полезна каждому.

В итоге

Сочетание мощи аналитического мастерства Jupyter Notebook и удобства развертывания VSCode, а также скорости разработки приложений Streamlit стало поучительным опытом. Этот проект знаменует собой начало серии проектов городского планирования, каждый из которых направлен на разгадку тайн нашего окружения.

**Изучите исходный код проекта на my GitHub.

Дальнейшие проекты:

Я думаю об управлении качеством воздуха. Глядя вперед, я очень рад сделать что-то для природы. Объединение науки о данных и городского планирования обещает дать идеи, которые могут сформировать будущее наших городов.

Следите за обновлениями, нас ждут еще более интересные проекты. 😉