Linear Regression Project - Predict used car price

프로젝트 목적: kaggle에서 주최한 "인도 중고차 예측하기" 데이터를 바탕으로 인도 중고차 가격과 거래하기 좋은 지역 예측하기
데이터: kaggle의 인도 중고차 예측하기 데이터셋
프로젝트 기간: 2021.04.20 ~ 2021.05.20
최종 발표일: 2021.05.20
발표자: 김영진 (팀장)
팀원:
- 김영진 (팀장): EDA, 모델링 구축(Linear Regression, Random Forest), 모델링 검증
- 박창현: EDA, 시장 분석을 위한 중고차에 관한 논문 참고
- 김기성: 데이터 파악 후 EDA, 비쥬얼라이제이션 담당, 모델링에 필요한 Feature 파악
첨삭:
- 민형기 강사님
- 정현석 클래스 매니저님
사용한 언어

프로젝트 과정

LinearRegression 모델 검증
1. 설명 분산 점수: 0.78, 평균 제곱 오차: 27.08, 결정 계수: 0.78
2. 로그를 씌운 점수 - 설명 분산 점수: 0.92, 평균 제곱 오차: 0.01, 결정 계수: 0.92
RandomForest 모델 검증
1. 설명 분산 점수: 0.91, 평균 제곱 오차: 10.53, 결정 계수: 0.92
2. 로그를 씌운 점수 - 설명 분산 점수: 0.94, 평균 제곱 오차: 0.008, 결정 계수: 0.94

사용한 모델 중 반복적인 모델링을 돌려 본 결과 'LinearRegression'과'RandomForestRegressor' 정확도가 높아 두 모델을 체택
'LinearRegression'는 설명 분산 점수: 0.78, 평균 제곱 오차: 27.08, 결정 계수: 0.78 / 'RandomForestRegressor'는 0.91, 평균 제곱 오차: 10.53, 결정 계수: 0.92으로 'RandomForestRegressor'의 정확도가 높음.
모델의 정확도를 올리기 위해(결정 계수의 차이를 줄이기 위해) log를 씌워본 결과 'LinearRegression'는 결정 계수: 0.78 -> 0.92, 평균 제곱 오차: 27.08 -> 0.01 / 'RandomForestRegressor'는 결정 계수: 0.92 -> 0.94, 평균 제곱 오차: 10.53 -> 0.008로 정확도가 상승.
마루티 스즈키 Swift VVT VXL 모델을 기준 실제 중고차 가격과 예측값을 비교해본 결과 LinearRegression log 모델 사용시 0.23 라크 차이, RandomForest log 모델 사용시 1.38 라크 차이 / 현대 Grand i10 1.2 CRDi Sport option 모델 기준 실제 중고차 가격과 예측값을 비교해본 결과 LinearRegression log 모델 사용시 -0.46 라크 차이, RandomForest log 모델 사용시 0.92 라크 차이라는 결과 도출

인도시장에서 중고차 거래시 가격을 잘 받을 수 있는 인도 지역을 예측해본 결과 마루티 스즈키 거래시 Kolkata 지역 / 현대 거래시 Kolkata 지역 / 혼다 거래시 Kolkata 지역 / 토요타 거래시 Mumbai 지역 / 벤츠 거래시 Munbai 지역으로 결과가 도출됨

Name		Name	Last commit message	Last commit date
Latest commit History 13 Commits
README.md		README.md
model_graph.py		model_graph.py
recommendation_location.py		recommendation_location.py
top10_brand_graph.py		top10_brand_graph.py
used_car_final.ipynb		used_car_final.ipynb
used_car_final_EDA.ipynb		used_car_final_EDA.ipynb
used_car_final_Visualization.ipynb		used_car_final_Visualization.ipynb
used_car_final_modeling.ipynb		used_car_final_modeling.ipynb