Skip to content

README.md

Latest commit

 

History

History
51 lines (42 loc) · 2.58 KB

README.md

File metadata and controls

51 lines (42 loc) · 2.58 KB

Machine Learning para Predecir Precios de Coches

Tabla de Contenidos

Descripción

Este proyecto desarrolla un modelo de machine learning para predecir el valor de mercado de autos usados, basándose en especificaciones técnicas, versiones de equipamiento y precios históricos. El objetivo es optimizar calidad, velocidad y tiempo de entrenamiento para apoyar la aplicación comercial Rusty Bargain.

Datos

Se utilizaron XXX conjuntos de datos principales:

  • car_data.csv: DataFrame con 354,369 registros y 16 columnas, que incluye datos técnicos, categóricos y temporales sobre autos usados y sus valores de mercado.

Análisis

El enfoque incluyó:

  • Importación y preparación de datos, con limpieza y selección de 10 columnas relevantes sobre 354,369 registros.
  • Manejo de valores ausentes, duplicados y unificación de categorías para mejorar la calidad del dataset.
  • Visualización para detectar distribución de variables clave como tipo de vehículo, transmisión y marca.
  • Comparación de modelos de machine learning evaluando precisión y rapidez mediante un índice compuesto.
  • Ajuste de hiperparámetros en modelos de gradiente potenciado para optimización.

Tecnologías y herramientas

  • Python 3.9 para desarrollo general y análisis de datos
  • Pandas y NumPy para manipulación y procesamiento de datos
  • Matplotlib y Seaborn para visualización gráfica
  • Scikit-learn para preprocesamiento, partición de datos, modelado y evaluación
  • XGBoost, LightGBM y CatBoost para modelos avanzados de boosting
  • Jupyter Notebook para desarrollo interactivo y documentación

Resultados

  • Identificada alta variabilidad y valores atípicos en los precios, ajustados para evitar sesgos.
  • Los modelos XGBoost y LightGBM mostraron el mejor balance entre precisión y eficiencia.
  • XGBoost seleccionado como el modelo definitivo con un índice compuesto de 0.0992 para la predicción.
  • El modelo cumple con los requisitos de calidad, tiempo de predicción y entrenamiento establecidos.

Contribuciones

Bienvenidas sugerencias, correcciones y nuevas visualizaciones. Por favor, abre un issue o pull request para colaborar.

Licencia

Este proyecto está bajo la licencia MIT.

Contacto

Nombre: Alejandro M. García
Email: alexkhype@gmail.com
LinkedIn: linkedin.com/in/amggl