/Phone-Prices-Classification

Primary LanguageJupyter Notebook

Prognozowanie cen telefonów na podstawie ich parametrów technicznych

Opis Projektu

Celem projektu było stworzenie modelu uczenia maszynowego, który na podstawie parametrów technicznych telefonów klasyfikowałby je do odpowiednich przedziałów cenowych. Wykorzystano do tego dane z platformy Kaggle, zawierające informacje na temat różnych cech telefonów oraz ich kategorii cenowych.

Dane

  • Źródło: Dane pochodzą z publicznego zbioru danych na platformie Kaggle, dostępnego tutaj.
  • Zawartość: Zbiór danych składał się z 21 kolumn o wartościach liczbowych, bez brakujących danych. Kolumna price_range była zmienną celu z wartościami od 0 do 3.

Przygotowanie Danych

  1. Przegląd danych: Sprawdzenie kolumn i typów danych oraz braków danych.
  2. Skalowanie: Ze względu na duże różnice w zakresach wartości, dane zostały przeskalowane za pomocą MinMaxScalera.
  3. Analiza korelacji: Sprawdzenie zależności pomiędzy parametrami technicznymi a ceną telefonów przy użyciu macierzy korelacji.

Inżynieria Cech i Wstępne Modelowanie

Przeprowadzono testy na kilku prostych modelach klasyfikacyjnych:

  • Drzewo decyzyjne
  • K-Nearest Neighbors
  • Regresja logistyczna
  • Support Vector Machine
  • Gaussian Naive Bayes

Model regresji logistycznej osiągnął najlepsze wyniki, z dokładnością na poziomie 98%.

Pierwszy Model: Regresja Logistyczna

Dla finalnego modelu regresji logistycznej, przeprowadzono dostrajanie hiperparametrów za pomocą Grid Search:

  • max_iter: 6000
  • solver: 'saga'
  • penalty: 'none'
  • C: 0.001
  • l1_ratio: 0.1

Wyniki Modelu:

  • Precyzja: 1.00 dla klasy 0.
  • Czułość (Recall): Powyżej 0.97 dla wszystkich klas.
  • Dokładność (Accuracy): 0.98.

Drugi Model: Stacked Classifier

Dla porównania, zbudowano model Stacked Classifier, który osiągnął średnią dokładność 93.85% w krzyżowej walidacji.

Porównanie Modeli

Logistic Regression osiągnął lepsze wyniki w porównaniu do Stacked Classifier, jednak oba modele wykazały dobrą wydajność.

Ewaluacja Modelu z Wykorzystaniem Technik Wyjaśnialnej Sztucznej Inteligencji

Przeprowadzono analizę wpływu poszczególnych zmiennych na wyniki modelu za pomocą metod model_parts oraz permutation_importance:

  • RAM: Najważniejsza zmienna, odpowiadająca za około 70% dokładności modelu.
  • Battery power: Istotna zmienna, ale z mniejszym wpływem (25% dokładności).
  • Inne zmienne miały minimalny wpływ na predykcje modelu.

Autorzy

Wnioski

W ramach projektu udało się zbudować skuteczny model klasyfikacji cen telefonów na podstawie ich parametrów technicznych. Wyniki sugerują, że możliwe jest precyzyjne przewidywanie cen telefonów na podstawie danych dostępnych w zbiorze.