Análisis y Modelado de Datos de Autos

Este proyecto se centra en el análisis exploratorio de datos (EDA) y el modelado predictivo utilizando un conjunto de datos de precios de autos. Se utilizan diversas técnicas y modelos de machine learning para entender los datos y predecir precios y categorías de autos.

Contenido

1. Descripción del Proyecto
2. Instalación de Dependencias
3. Análisis Exploratorio de Datos
4. Preparación de Datos
5. Modelado y Evaluación
6. Resultados
7. Conclusiones
8. Licencia

1. Descripción del Proyecto

El objetivo de este proyecto es analizar un conjunto de datos de precios de autos, identificar patrones y correlaciones, y emplear modelos para clasificar y predecir Gamma y precios de autos respectivamente. Se utilizan diferentes algoritmos, incluyendo Random Forest, Árboles de Decisión y Regresión Lineal.

2. Instalación de Dependencias

Asegúrate de tener instaladas las siguientes bibliotecas de Python:

pip install pandas numpy matplotlib seaborn scipy scikit-learn xgboost

3. Análisis Exploratorio de Datos

Las etapas iniciales del proyecto incluyen:

• Lectura y visualización del conjunto de datos.

df_cars = pd.read_csv('ML_car.csv')
# Verificación de tipos de datos
print(df_cars.dtypes)

• Verificación de valores nulos.

nulls_in_df = pd.DataFrame(nulls.items(), columns=['Columna', 'Total Nulos'])
nulls_in_df

• Generación de visualizaciones como boxplots e histogramas.

plt.figure(figsize=(10, 6))
sns.boxplot(y=df_cars['price'])
plt.title('Boxplot de Precios de Autos')
plt.xlabel('Precio')
plt.show()

• Análisis de correlaciones entre variables.

4. Preparación de Datos

• Se identifican y se corrigen valores faltantes.
• Se generan variables dummies para variables categóricas.
• Se realizan particiones de los datos en conjuntos de entrenamiento y prueba.

# Generar el df con las variables dummies

df_dummies = pd.get_dummies(df_cars, drop_first=True, dtype=float)

# Generar la matriz de correlación y ordenarla de manera descendente 
# filtrar por variables que tengan correlación con el precio y sea mayor al 70%

correlation_matrix = df_dummies.corr()
correlation_with_price = correlation_matrix[['price']].sort_values(by='price', ascending=False)
filtered_correlation = correlation_with_price[correlation_with_price['price'].abs() > 0.7]
variable_above_70 = filtered_correlation[1:].index.tolist()

# Crear un mapa de calor para la correlación con 'price' y ajustar el grosor de la barra de color

plt.figure(figsize=(30, 4))
sns.heatmap(filtered_correlation, annot=True, fmt=".2f", cmap='coolwarm', square=True, linewidths=0.5, cbar_kws={'shrink': 0.5}, vmin=0.3, vmax=1)  # Ajustar el tamaño de la barra de color
plt.title('Correlación con el Precio (mayor a 0.6)')
plt.show()

5. Modelado y Evaluación

Se implementan los siguientes modelos:

5.1. Clasificación

• Random Forest Classifier: Hiperparámetros: n_estimators=200, max_depth=10, min_samples_split=5, min_samples_leaf=4
• Decision Tree Classifier: Hiperparámetros: max_depth=8, min_samples_split=5, min_samples_leaf=6

5.2. Regresión

• Regresión Lineal:

• Se evalúa usando MSE y R².

linear_model = LinearRegression()
linear_model.fit(X_train_r, y_train_r)

• Random Forest Regressor: Hiperparámetros: n_estimators=100

# Instancia y entrenamiento del modelo
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
rf_model.fit(X_train_r, y_train_r)

• XGBoost: Giperparámetros: n_estimators=100, learning_rate=0.2, max_depth=6

xgb_model = xgb.XGBRegressor(n_estimators=100, learning_rate=0.2, max_depth=6, random_state = 42)
xgb_model.fit(X_train_r, y_train_r)

6. Resultados

Los resultados incluyen:

• Matrices de confusión.
• Reportes de clasificación.
• Gráficos de dispersión para evaluar las predicciones.

• Ejemplo de Matriz de Confusión

conf_matrix = confusion_matrix(y_test_c, y_pred_RFC)
print(conf_matrix)

7. Conclusiones y recomendaciones

Los modelos de clasificación y regresión proporcionan diferentes niveles de precisión en las predicciones de precios de autos y su categorización. Se debe considerar el uso de diferentes algoritmos y técnicas para mejorar el rendimiento del modelo.

Se recomienda a la empresa de autos utilizar los modelos de clasificación RandomForestClassifier y de regresión RandomForestRegressor ya que fueron los que obtuvieron mejores resultados siendo estos los siguientes:

#Matriz de confusión RandomForestClassifier
                    [[20  3]
                    [ 0 18]]

                     precision    recall  f1-score   support

               0       1.00      0.87      0.93        23
               1       0.86      1.00      0.92        18

        accuracy                           0.93        41
       macro avg       0.93      0.93      0.93        41
    weighted avg       0.94      0.93      0.93        41

    ROC-AUC:  0.9975845410628019
#Valor MSE y R^2 RandomForestRegressor
    Random Forest - MSE: 3962403.74, R^2: 0.95

Licencia

Este proyecto está bajo la Licencia MIT. Para más detalles, consulta el archivo LICENSE.