Ramalan Harga Laptop dengan ML

Dalam catatan saya sebelum ini, saya mencipta skrip untuk menjana CSV dengan data komputer riba, melakukan pengikisan web dalam PCComponentes.

Idea ini timbul apabila cuba mencipta model Pembelajaran Mesin yang, bergantung pada komponen yang anda sediakan, meramalkan harga peranti. Walau bagaimanapun, semasa menyelidik saya menemui DataFrame awam yang boleh digunakan untuk melatih model, tetapi ia mempunyai masalah: harga bertarikh kembali ke 2015, yang menjadikannya tidak banyak digunakan.

Atas sebab ini, saya memutuskan untuk membina DataFrame terus daripada tapak web PCComponentes, yang membolehkan saya mempunyai data yang dikemas kini dan boleh dipercayai. Selain itu, proses ini boleh diautomasikan pada masa hadapan (sekurang-kurangnya sehingga PCComponentes mengubah struktur tapak webnya).

Mari kita ke dalamnya!

---

Pemprosesan data DataFrame

Sebelum melatih model, anda perlu menyusun dan membersihkan data untuk memudahkan membaca dan memproses. Untuk ini, kami akan menggunakan perpustakaan Numpy, Pandas dan Matplotlib, digunakan secara meluas dalam analisis dan pemprosesan data.

Perkara pertama ialah mengimport perpustakaan ini dan membuka CSV yang dijana:

import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  

Kemudian, kami memadamkan baris dengan nilai kosong atau nol:

df = df.dropna()  

---

Analisis dan penapisan data

Mari kita mulakan dengan menganalisis pelbagai jenis CPU yang tersedia. Untuk melihatnya, kami akan menggunakan perpustakaan Seaborn:

import seaborn as sns  
sns.countplot(data=df, x='CPU')

Di sini kita melihat bahawa terdapat 207 jenis CPU yang berbeza. Melatih model dengan semua nilai ini boleh menjadi masalah, kerana banyak data akan menjadi tidak relevan dan menghasilkan bunyi yang akan menjejaskan prestasi.

Daripada mengalih keluar keseluruhan lajur, kami akan menapis nilai yang paling berkaitan:

def cpu_type_define(text):
    text = text.split(' ')
    if text[0] == 'intel':
        if 'i' in text[-1]:
            if text[-1].split('-')[0] == 'i3':
                return 'low gamma intel processor'

            return text[0]+' '+text[1]+' '+text[-1].split('-')[0] 

        return 'low gamma intel processor'
    elif text[0] == 'amd':
        if text[1] == 'ryzen':
            if text[2] == '3':
                return 'low gamma amd processor'

            return text[0]+' '+text[1]+' '+text[2]

        return 'low gamma amd processor'
    elif 'm' in text[0]:
        return 'Mac Processor'
    else:
        return 'Other Processor'

data['Cpu'] = data['Cpu'].apply(cpu_type_define)
sns.histplot(data=data,x='Cpu')
data['Cpu'].value_counts()

Mengakibatkan:

---

Penapisan GPU

Kami menjalankan proses yang serupa dengan kad grafik (GPU), mengurangkan bilangan kategori untuk mengelakkan hingar dalam data:

def gpu_type_define(text):    

    if 'rtx' in text:

        num = int(''.join([char for char in text if char.isdigit()]))

        if num == 4080 or num == 4090 or num == 3080:
            return 'Nvidia High gamma'
        elif num == 4070 or num == 3070 or num == 4060 or num == 2080:
            return 'Nivida medium gamma'
        elif num == 3050 or num == 3060 or num == 4050 or num == 2070:
            return 'Nvidia low gamma'
        else:
            return 'Other nvidia grafic card'

    elif 'radeon' in text:

        if 'rx' in text:
            return 'Amd High gamma'
        else:
            return 'Amd low Gamma'

    elif 'gpu' in text:
        return 'Apple integrated graphics'

    return text



data['Gpu'] = data['Gpu'].apply(gpu_type_define)
sns.histplot(data=data,x='Gpu')
data['Gpu'].value_counts()  

Hasil:

---

Penyimpanan dan rawatan RAM

Untuk memudahkan data storan, kami menggabungkan jumlah ruang semua cakera keras menjadi satu nilai:

def fitler_ssd(text):
    two_discs = text.split('+')


    if len(two_discs) == 2:
        return int(''.join([char for char in two_discs[0] if char.isdigit()])) + int(''.join([char for char in two_discs[1] if char.isdigit()]))        
    else:
        return int(''.join([char for char in text if char.isdigit()]))

data['SSD'] = data['SSD'].str.replace('tb','000')
data['SSD'] = data['SSD'].str.replace('gb','')
data['SSD'] = data['SSD'].str.replace('emmc','')
data['SSD'] = data['SSD'].str.replace('ssd','')

Akhir sekali, kami menapis nilai RAM untuk mengekalkan nombor sahaja:

import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  

---

Pengekodan data bukan angka

Sebelum melatih model, adalah perlu untuk mengubah lajur bukan angka kepada data yang boleh ditafsirkan oleh algoritma. Untuk ini, kami menggunakan ColumnTransformer dan OneHotEncoder daripada perpustakaan sklearn:

df = df.dropna()  

---

Latihan model

Saya menguji beberapa algoritma Pembelajaran Mesin untuk menentukan yang mana satu paling cekap mengikut pekali penentuan (Skor R2). Berikut adalah keputusannya:

Modelo	R2 Score
Logistic Regression	-4086280.26
Random Forest	0.8025
ExtraTreeRegressor	0.7531
GradientBoostingRegressor	0.8025
XGBRegressor	0.7556

Keputusan terbaik diperoleh dengan Random Forest dan GradientBoostingRegressor, kedua-duanya dengan R2 hampir 1.

Untuk menambah baik lagi, saya menggabungkan algoritma ini menggunakan Regressor Pengundian, mencapai Skor R2 0.8085:

import seaborn as sns  
sns.countplot(data=df, x='CPU')

---

Kesimpulan

Model yang dilatih dengan Regressor Pengundian adalah yang paling cekap. Kini anda sudah bersedia untuk mengintegrasikannya ke dalam aplikasi web, yang akan saya terangkan secara terperinci dalam siaran seterusnya.

Pautan ke projek

Atas ialah kandungan terperinci Ramalan Harga Laptop dengan ML. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!