Update app.py

app.py

@@ -4,7 +4,6 @@
 # # Car Prediction #
 # İkinci el araç fiyatlarını (özelliklerine göre) tahmin eden modeller oluşturma ve MLOPs ile Hugging Face üzerinden yayımlayacağız.
 
-
 import pandas as pd
 from sklearn.model_selection import train_test_split #veri setini bölme işlemleri
 from sklearn.linear_model import LinearRegression #Dogrusal Regresyon
@@ -13,10 +12,7 @@ from sklearn.compose import ColumnTransformer #Sütun dönüşüm işlemleri
 from sklearn.preprocessing import OneHotEncoder, StandardScaler #Kategori - Sayısal dönüşüm ve ölçeklendirme
 from sklearn.pipeline import Pipeline #Veri işleme hattı
 
-
 df=pd.read_excel("cars.xls")
-df.head()
-df.info()
 
 #Veri ön işleme
 X=df.drop('Price',axis=1) #Fiyat sutunu çıkar fiyata etki edenler kalsın
@@ -24,8 +20,8 @@ y=df['Price'] #tahmin edilecek sutun
 
 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
-# Veri ön işleme, standartlaştırma ve OHE işlemlerini otomatikleştiriyoruz (Standartlaştırıyoruz).Artık preprocess kullanarak kullanıcıda arayüz aracılığıyla gelen veriyi  uygun hale çevirebiliriz.
-
+# Veri ön işleme, standartlaştırma ve OHE işlemlerini otomatikleştiriyoruz (Standartlaştırıyoruz).
+# Artık preprocess kullanarak kullanıcıda arayüz aracılığıyla gelen veriyi  uygun hale çevirebiliriz.
 
 preprocess=ColumnTransformer(
     transformers=[
@@ -46,8 +42,8 @@ y_pred=pipe.predict(X_test)
 mean_squared_error(y_test,y_pred)**0.5,r2_score(y_test,y_pred)
 
 # Python ile yapılan çalışmaların hızlı bir şekilde deploy edilmesi için HTML render arayüzler tasarlamamızı sağlar
-
 import streamlit as st
+
 #price tahmin fonksiyonu tanımlama
 def price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather):
     input_data=pd.DataFrame({'Make':[make],