uvicorn hw1:app --reload

Описание: Эндпоинт принимает признаки одного объекта в формате JSON и возвращает предсказанную стоимость машины.

Пример запроса:

curl -X POST "http://127.0.0.1:8000/predict_item/" \ -H "Content-Type: application/json" \ -d '{  "name": "Car1",  "year": 2015,  "km_driven": 50000,  "fuel": "Petrol",  "seller_type": "Individual",  "transmission": "Manual",  "owner": "First Owner",  "mileage": 21.5,  "engine": 1197,  "max_power": 83.1,  "seats": 5 }'

Пример ответа:

{ "prediction": 350000.0 }

Описание: Эндпоинт принимает CSV-файл с признаками нескольких объектов и возвращает новый файл с добавленным столбцом предсказаний.

Пример запроса:

curl -X POST "http://127.0.0.1:8000/predict_items/" \ -H "Content-Type: multipart/form-data" \ -F "file=@Полный путь файла"

Пример ответа:

{ "filename": "predictions_output.csv" }

Пример содержимого test_file.csv:

name,year,km_driven,fuel,seller_type,transmission,owner,mileage,engine,max_power,seats Car1,2015,50000,Petrol,Individual,Manual,First Owner,21.5,1197,83.1,5 Car2,2018,30000,Diesel,Dealer,Automatic,First Owner,19.0,1498,108.5,5 

Пример содержимого результата predictions_output.csv:

name,year,km_driven,fuel,seller_type,transmission,owner,mileage,engine,max_power,seats,prediction Car1,2015,50000,Petrol,Individual,Manual,First Owner,21.5,1197,83.1,5,350000.0 Car2,2018,30000,Diesel,Dealer,Automatic,First Owner,19.0,1498,108.5,5,450000.0 

• Провели исследование данных, включая визуализацию ключевых признаков и корреляций.
• Выявили и исправили проблемы с пропущенными значениями и выбросами.
• Преобразовали числовые столбцы (например, mileage, engine) из текстовых значений в числовые форматы.

• Обучили классическую линейную регрессию для предсказания целевой переменной.
• Настроили гиперпараметры для Ridge и Lasso регрессий, что позволило улучшить метрики качества.
• Исследовали возможности других моделей для повышения качества предсказаний.
• Провели инференс на тестовых данных.
• Оценили качество моделей с использованием метрик $R^2$ и $MSE$.

• Разработали пайплайн для автоматизации предобработки данных и обучения модели.
• Включили обработку категориальных признаков и нормализацию числовых данных.
• Реализовали сохранение и загрузку модели с использованием joblib.

• Создали серверное приложение для взаимодействия с моделью через API.
• Реализовали эндпоинты для обработки запросов и выдачи предсказаний.
• Настроили валидацию входных данных с использованием Pydantic.

• Провели обработку данных, обнаружили большое кол-во дубликатов, которые удалили, преобразовали данные, привели их к нужному виду для модели, удалили ненужные столбцы.
• Попробовали применить разные модели, в результате лучше всего себя показала Ridge model, увеличив показатель метрики R2 с базовой 0.59 до 0.65.