Yapay sinir ağı ile ev tahmini

Elimde 10000 evin oda sayısı, büyüklüğü,Şehir merkezine uzaklık (km)Evin yaşı (yıl) ve fiyarı var. Tensor flow ile fiyat tahmini yapan bir yapay sinir ağı eğitmek istiyorum. daha sonra bir ev için tahmin yapmak istiyorum.

Bu kod örneği, ev fiyatı tahmini için bir yapay sinir ağı oluşturur, eğitir ve kullanır. İşte kodun açıklaması:

1. Gerekli kütüphaneleri içe aktarıyoruz.
2. Veri setini yüklüyoruz (CSV dosyasından).
3. Özellikleri (oda sayısı, büyüklük, şehir merkezine uzaklık, yaş) ve hedefi (fiyat) ayırıyoruz.
4. Veriyi eğitim ve test setlerine ayırıyoruz.
5. Özellikleri ölçeklendiriyoruz (standardize ediyoruz).
6. Yapay sinir ağı modelini oluşturuyoruz.
7. Modeli derliyoruz.
8. Modeli eğitiyoruz.
9. Model performansını değerlendiriyoruz.
10. Yeni bir ev için tahmin yapıyoruz.

Bu kodu kullanmak için, öncelikle veri setinizi 'ev_verileri.csv' adında bir CSV dosyasına kaydetmeniz gerekiyor. Dosyanın sütunları 'oda_sayisi', 'buyukluk', 'sehir_merkezi_uzaklik', 'yas' ve 'fiyat' olmalıdır.

Kodu çalıştırdıktan sonra, model eğitilecek ve test seti üzerinde performansı değerlendirilecektir. Son olarak, yeni bir ev için fiyat tahmini yapılacaktır.

Modeli geliştirmek için yapabilecekleriniz:

1. Veri seti boyutunu artırmak
2. Farklı model mimarileri denemek
3. Hiperparametre optimizasyonu yapmak
4. Daha fazla özellik eklemek (örneğin, mahalle bilgisi, ev tipi gibi)

Bu kodu kendi veri setinize ve ihtiyaçlarınıza göre uyarlayabilirsiniz.

import numpy as np import pandas as pd import tensorflow as tf from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # Veri setini yükle (CSV dosyasından) data = pd.read_csv('ev_verileri.csv') # Özellikleri ve hedefi ayır X = data[['oda_sayisi', 'buyukluk', 'sehir_merkezi_uzaklik', 'yas']] y = data['fiyat'] # Veriyi eğitim ve test setlerine ayır X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,

random_state=42) # Özellikleri ölçeklendir scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # Model oluştur model = tf.keras.Sequential([ tf.keras.layers.Dense(64, activation='relu', input_shape=(4,)), tf.keras.layers.Dense(32, activation='relu'), tf.keras.layers.Dense(16, activation='relu'), tf.keras.layers.Dense(1) ]) # Modeli derle model.compile(optimizer='adam', loss='mean_squared_error') # Modeli eğit history = model.fit(X_train_scaled, y_train, epochs=100, batch_size=32,

validation_split=0.2, verbose=1) # Model performansını değerlendir test_loss = model.evaluate(X_test_scaled, y_test) print(f"Test Loss: {test_loss}") # Yeni bir ev için tahmin yap yeni_ev = np.array([[4, 150, 5, 10]]) # [oda_sayisi, buyukluk,

sehir_merkezi_uzaklik, yas] yeni_ev_scaled = scaler.transform(yeni_ev) tahmin = model.predict(yeni_ev_scaled) 

print(f"Tahmini Fiyat: {tahmin[0][0]}")