House Price Regression
Przewidywanie cen domów przy użyciu zaawansowanych technik regresji
📋 Opis Projektu
Projekt predykcji cen nieruchomości na podstawie ich cech fizycznych i lokalizacyjnych. Wykorzystuje AutoML (PyCaret) do automatycznego porównania algorytmów regresji i wyboru najlepszego modelu.
🎯 Cel
Zbudowanie modelu ML, który przewiduje cenę domu na podstawie jego charakterystyk: liczba pokoi, powierzchnia, lokalizacja, rok budowy, itd.
� Jupyter Notebook
-
Kompleksowa analiza predykcji cen nieruchomości z PyCaret.
�📊 Dataset
House Prices Dataset (Kaggle): - 1460 obserwacji treningowych - 79 zmiennych wyjaśniających - Target: SalePrice (cena sprzedaży) - Zróżnicowane cechy: numeryczne i kategoryczne
🛠️ Technologie
- Python, PyCaret, Scikit-learn
- Pandas, NumPy
- Matplotlib, Seaborn
- Feature Engineering
📈 Wyniki
Najlepszy Model: Gradient Boosting Regressor
| Metryka | Wartość |
|---|---|
| MAE | 17,276.35 |
| RMSE | 28,313.92 |
| R² | 0.89 |
Model pozwala oszacować cenę domu z rozsądnym błędem predykcji.
💡 Kluczowe Cechy
Top features wpływające na cenę: 1. Overall Quality 2. Total Square Footage 3. Year Built / Remodeled 4. Garage Area 5. Full Bathrooms
🎓 Czego się Nauczyłem
- Regresja z PyCaret AutoML
- Feature Engineering dla danych nieruchomości
- Handling outliers i missing values
- Log transformation dla skewed target
Status: ✅ Ukończony
Data: 02.01.2026
Model: Gradient Boosting Regressor