In diesem Video erkläre ich ein vollständiges Projekt zur Anwendung von Machine Learning auf Fahrzeugdaten, beginnend mit der Datensammlung von der Website QatarSale mittels Web Scraping, gefolgt von der Umwandlung der Daten in einen organisierten Datensatz, der Durchführung von Datenverständnis und Datenvorverarbeitung, bis hin zum Training eines Modells mit linearer Regression zur Vorhersage von Autopreisen.
Das Projekt umfasst die Extraktion von Fahrzeugdaten wie Baujahr, Anzahl der Zylinder, Kilometerstand und Preis, gefolgt von der Umwandlung von Textdaten in numerische Daten, die im Machine Learning-Modell verwendet werden können.
Anschließend werden die Daten bereinigt und nicht benötigte Spalten entfernt, die Daten in Trainings- und Validierungsdaten aufgeteilt, Min-Max-Normalisierung und Standardisierung angewendet, die Korrelation zwischen den Variablen analysiert, ein Modell mit linearer Regression aufgebaut und mit dem mittleren quadratischen Fehler (MSE) bewertet.
Es wird auch eine Visualisierung der Daten vor und nach der Verarbeitung gezeigt, sowie ein Vergleich der tatsächlichen Preise mit den vom Modell erwarteten Preisen.
Das Projekt zeigt einen vollständigen Arbeitsablauf im Machine Learning, der beginnt mit:
Web Scraping → Datensatz-Erstellung → Datenverständnis → Datenvorverarbeitung → Datenvisualisierung → Merkmalsauswahl → Datenaufteilung → Normalisierung → Standardisierung → Korrelationsanalyse → lineare Regression → Modellevaluation.
Datensatz: 200 Fahrzeugdatensätze
Modell: Lineare Regression
Zielvariable: Autopreis
Merkmale: Jahr, Zylinder, Kilometerstand
Bewertungsmetrik: Mittlerer quadratischer Fehler (MSE)