Flipkart — Прогноз мобильного рейтинга I phone

Что такое прогноз мобильного рейтинга телефона Flipkart I, представленный в 2022 году. Продукты Apple широко используются в электронной промышленности. Одним из их основных продуктов являются мобильные телефоны. Прелесть дизайна Apple в том, что вы можете взять любой из его продуктов и научиться им пользоваться. . Недолго думая. Люди любят мало думать. iPhone интуитивно понятен, он прост, а дизайн выполнен так со вкусом, что просто затягивает.

Основная цель этого проекта - прогнозировать рейтинги конкретной модели, в которых пользователь может вводить характеристики конкретной модели, которые могут прогнозировать рейтинги.

Посетите эту ссылку, чтобы предсказать: https://iphonesmobilerating.herokuapp.com

Канал проекта

ШАГ 1: НАБОР ДАННЫХ

Для этого проекта мы должны сделать свои собственные данные, так как в источниках нет доступного набора данных.

В случае, если мы можем использовать веб-скрейпинг на веб-сайте Flipkart. С помощью веб-скрейпинга мы можем выполнить извлечение, трансформацию, загрузку (ETL) и собрать наши собственные данные.

Для этого кода я делюсь ссылкой на GitHub, вы можете проверить часть ETL.

Ссылка на GitHub: IPHONES_MOBILE_RATING_PREDICTION/1_Flipkart_ETL.ipynb в основном · rajeshchary1999/IPHONES_MOBILE_RATING_PREDICTION (github.com)

и после ETL мы сохраняем наши данные в файле csv (или мы можем сохранить в базе данных MYSQL).

ШАГ 2: ЭДА

на этом шаге, что я сделал, я сохранил файл в csv, в блокноте Excel

я очистил столбец цен, удалив символ рупий, после чего я сохранил данные в базе данных MySQL.

после этого я подключил базу данных sql к блокноту Jupyter и импортировал данные.

Для всей части EDA И визуализации проверьте эту ссылку

IPHONES_MOBILE_RATING_PREDICTION/2_Flipkart_DATA_ACCESS_AND_EDA.ipynb на главном · rajeshchary1999/IPHONES_MOBILE_RATING_PREDICTION (github.com)

На этом этапе мы импортировали данные, выполнили EDA и визуализацию и очистили данные после очистки данных, мы сохраняем новые данные в csv.

ШАГ 3: ПОСТРОЕНИЕ МОДЕЛИ

на этом этапе мы импортируем новый файл csv и выполняем построение модели,

1 — поезд тестовый сплит

2 — корпус модели.

Для построения модели мы используем всего 3 алгоритма

AS это проблема регрессии.

Как мы заметили выше, мы получаем точность 99% с помощью регрессии Random Forest Algo и Extra Tress. В качестве окончательного мы выбираем модель случайного леса.

Предсказания

Как мы видели выше, мы получаем хорошие прогнозы.

ШАГ 4: ТРАВЛЕНИЕ

ШАГ 5: РАЗВЕРТЫВАНИЕ

мы используем Flask Framework и HTML-коды. для развертывания перейдите по кодовой ссылке: rajeshchary1999/IPHONES_MOBILE_RATING_PREDICTION (github.com)