Ce projet vise à prédire les prix de vente de biens immobiliers en utilisant des techniques avancées de régression, y compris l'ingénierie des caractéristiques et le gradient boosting. Conçu pour la compétition House Prices - Advanced Regression Techniques sur Kaggle, ce projet m'a permis d'atteindre le Top 600 des classements.
This project aims to predict real estate sale prices by applying advanced regression techniques, feature engineering, and gradient boosting. Developed for the House Prices - Advanced Regression Techniques competition on Kaggle, this project helped me achieve a Top 2000 ranking.
Technologies utilisées : Python, Machine Learning, Auto-encodeurs, Régression, XGBoost, Flask, ReactJS.
Compétences mises en place :
- Nettoyage des données et traitement des valeurs manquantes.
- Utilisation d'un autoencodeur pour éliminer les anomalies dans le dataset.
- Application de modèles de régression (Linear Regression, Ridge, Random Forest, XGBoost) et d'algorithmes d'ensemble (Voting Regressor, Stacking Regressor).
- Développement d'une interface web avec ReactJS et Flask pour interagir avec le modèle prédictif.
Description de l'image : Interface permettant aux utilisateurs de saisir les caractéristiques d'une maison pour en prédire le prix.
Description de l'image : Prédiction du prix d'une maison en fonction de ses caractéristiques.
- Source : House Prices - Advanced Regression Techniques
- Description : Données de caractéristiques de biens immobiliers, utilisées pour entraîner et évaluer des modèles de régression. / Real estate feature data for training and evaluating regression models.
Permet aux utilisateurs de saisir les caractéristiques d'une maison pour en prédire le prix.
Allows users to input home features to predict the property's price.
Python
- [12/11/2024] : Choix du sujet / Topic Selection
Clonez le dépôt GitHub et installez les dépendances.
Clone the GitHub repository and install dependencies.
git clone https://github.com/MathisAulagnier/real_estate_prediction.git
cd real_estate_prediction
pip install -r requirements.txtUtilisation / Usage
Exécutez data_preprocessing.py pour préparer les données, model_training.py pour entraîner le modèle, puis prediction.py pour faire des prédictions.
Run data_preprocessing.py to prepare the data, model_training.py to train the model, and prediction.py to make predictions.
Structure du Projet / Project Structure
- data_preprocessing.py : Prétraitement des données. / data_preprocessing.py: Data preprocessing.
- model_training.py : Entraînement du modèle. / model_training.py: Model training.
- prediction.py : Prédiction des prix. / prediction.py: Price prediction.