Update app.py

app.py

@@ -5,18 +5,18 @@
 # 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
-from sklearn.metrics import r2_score, mean_squared_error #modelimizin performansını ölçmek için
-from sklearn.compose import ColumnTransformer #Sütun dönüşüm işlemleri
+from sklearn.model_selection import train_test_split            #Veri setini bölme işlemleri
+from sklearn.linear_model import LinearRegression               #Dogrusal Regresyon
+from sklearn.metrics import r2_score, mean_squared_error        #Modelimizin performansını ölçmek için
+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
+from sklearn.pipeline import Pipeline                           #Veri işleme hattı
 
 df=pd.read_excel("cars.xls")
 
 #Veri ön işleme
 X=df.drop('Price',axis=1) #Fiyat sutunu çıkar fiyata etki edenler kalsın
-y=df['Price'] #tahmin edilecek sutun
+y=df['Price']             #tahmin edilecek sütun
 
 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
@@ -36,15 +36,14 @@ my_model=LinearRegression()
 pipe=Pipeline(steps=[('preprocessor', preprocess), ('model', my_model)])
 
 #pipline fit edilmesi
-pipe.fit(X_train, y_train)
-
+pipe.fit(X_train,y_train)
 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
+#Fiyat tahmin fonksiyonu tanımlama
 def price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather):
     input_data=pd.DataFrame({'Make':[make],
                              'Model':[model],
@@ -71,9 +70,9 @@ car_type=st.selectbox('Araç Tipi',df[(df['Make']==make) &(df['Model']==model)&(
 cylinder=st.selectbox('Silindir',df['Cylinder'].unique())
 liter=st.number_input('Yakıt Hacmi',1,10)
 doors=st.selectbox('Kapı Sayısı',df['Doors'].unique())
-cruise=st.selectbox('Hız Sabitleyici',[True,False])
-sound=st.selectbox('Ses Sistemi',[True,False])
-leather=st.selectbox('Deri Döşeme',[True,False])
+cruise=st.radio('Hız Sabitleyici',[True,False])
+sound=st.radio('Ses Sistemi',[True,False])
+leather=st.radio('Deri Döşeme',[True,False])
 
 if st.button('Tahmin Et'):
     pred=price(make,model,trim,mileage,car_type,cylinder,liter,doors,cruise,sound,leather)