HousePrices ML Pipeline

Üretim seviyesinde, modüler makine öğrenimi pipeline'ı - Kaggle House Prices regresyon projesi
Uçtan uca iş akışı: Veri → Feature Engineering → Ön İşleme → Model → Değerlendirme → Rapor

Hızlı Başlangıç • Özellikler • Mimari • Performans • Kullanım

---

Hızlı Başlangıç

git clone https://github.com/4F71/HousePrices-ML-Pipeline.git
cd HousePrices-ML-Pipeline

python -m venv .venv
source .venv/bin/activate  
pip install -r requirements.txt

python -m scripts.train_eval --model ridge

Bu kadar! Pipeline otomatik olarak:

• Veriyi yükler ve feature engineering uygular
• 5-fold cross-validation ile RidgeCV modelini eğitir
• Modeli models/houseprice.joblib olarak kaydeder
• Metrikleri reports/metrics.json dosyasına yazar
• Feature importance grafiğini figures/importance.png olarak oluşturur

---

Metrik	Skor	Açıklama
R² (Local)	0.9394	Model, fiyatlardaki varyansın %93.9’unu açıklıyor
RMSE (Local)	0.0984	Log-dönüşümlü hatada %9.8 ortalama sapma
RMSLE (Kaggle)	0.13049	Gerçek fiyat ölçeğinde Kaggle doğrulama skoru

Yorum:
Model, veri setindeki varyansın büyük kısmını açıklamakta ve log dönüşümü sonrası düşük hata oranı elde etmektedir.
Kaggle ortamında doğrulanan 0.13049 RMSLE değeri, bu pipeline’ın Level-1 baseline seviyesinde güçlü bir genel performans sunduğunu gösterir.

---

Kaggle Baseline Result

This pipeline achieved 0.13049 RMSLE on
Kaggle – House Prices: Advanced Regression Techniques

---

Özellikler

Feature Engineering

• TotalSF → Toplam yaşam alanı (1stFlrSF + 2ndFlrSF + TotalBsmtSF)
• BathCount → Toplam banyo sayısı (FullBath + 0.5×HalfBath)
• Age → Ev yaşı (2020 - YearBuilt)
• Log dönüşümü → GrLivArea, TotalSF, SalePrice sütunlarına uygulandı
• Outlier filtreleme → Aşırı GrLivArea değerlerini kaldırır

Ön İşleme Pipeline

• Sayısal özellikler:
  • Eksik değerler → SimpleImputer (ortalama stratejisi)
  • Ölçekleme → StandardScaler
• Kategorik özellikler:
  • Eksik değerler → SimpleImputer (en sık görülen değer stratejisi)
  • Kodlama → OneHotEncoder (bilinmeyen kategorileri yönetir)

Model Seçimi

Cross-validation destekli 4 farklı regresyon modeli:

python -m scripts.train_eval --model linear    # LinearRegression
python -m scripts.train_eval --model ridge     # RidgeCV (L2, varsayılan)
python -m scripts.train_eval --model lasso     # LassoCV (L1)
python -m scripts.train_eval --model elastic   # ElasticNetCV (L1+L2)

Varsayılan (RidgeCV):

• Alpha değerleri: [0.1, 1.0, 10.0]
• Cross-validation: 5-fold
• L2 regularization ile aşırı öğrenmeyi önler

Otomatik Raporlama

• JSON metrikleri: reports/metrics.json
• Feature importance: figures/importance.png
• Model kaydı: models/houseprice.joblib

---

Pipeline Mimarisi

HousePrices/
│
├── data/                    # Ham veri setleri
│   ├── train.csv
│   └── test.csv
│
├── models/                  # Eğitilmiş modeller
│   └── houseprice.joblib
│
├── reports/                 # Performans metrikleri
│   └── metrics.json
│
├── figures/                 # Görselleştirmeler
│   └── importance.png
│
├── src/                     # Çekirdek modüller
│   ├── paths.py            # Proje yolu yönetimi
│   ├── data.py             # Veri yükleme araçları
│   ├── features.py         # Feature engineering
│   ├── preprocess.py       # Ön işleme pipeline'ı
│   ├── model.py            # Model fabrikası
│   ├── pipeline.py         # Pipeline oluşturucu
│   ├── train.py            # Eğitim mantığı
│   ├── eval.py             # Değerlendirme metrikleri
│   └── visualize.py        # Feature importance grafiği
│
├── scripts/
│   └── train_eval.py       # Uçtan uca çalıştırma scripti
│
├── requirements.txt         # Python bağımlılıkları
├── .gitignore
└── README.md

---

Pipeline Akışı

graph LR
    A[data/train.csv] --> B[feature_engineer]
    B --> C[build_preprocessor]
    C --> D[model eğitimi]
    D --> E[değerlendirme]
    E --> F[reports/metrics.json]
    E --> G[figures/importance.png]
    D --> H[models/houseprice.joblib]

Loading

Adım adım:

1. Veri yükleme → src/data.py
2. Feature engineering → src/features.py
3. Preprocessor oluşturma → src/preprocess.py (sayısal + kategorik dönüştürücüler)
4. Pipeline oluşturma → src/pipeline.py (preprocessor + model)
5. Eğitim & kayıt → src/train.py (80/20 bölme, random_state=42)
6. Değerlendirme → src/eval.py (R², RMSE)
7. Görselleştirme → src/visualize.py (en önemli 15 özellik)

---

Kullanım

Temel Eğitim

python -m scripts.train_eval --model ridge

Modüler Kullanım

# Veri yükleme ve feature engineering
from src.data import load_data
from src.features import feature_engineer

df = load_data("train.csv")
df = feature_engineer(df)

# Preprocessor oluşturma
from src.preprocess import build_preprocessor

numeric = df.select_dtypes(include=["int32", "int64", "float32", "float64"]).columns.tolist()
categorical = df.select_dtypes(include=["object"]).columns.tolist()
numeric.remove("SalePrice")

preprocessor = build_preprocessor(numeric, categorical)

# Model eğitimi
from src.model import get_model
from src.train import train_and_save

model = get_model("ridge")
train_and_save(df, preprocessor, model)

Feature Importance Grafiği Oluşturma

python src/visualize.py

Kayıtlı Modeli Yükleme

import joblib

model = joblib.load("models/houseprice.joblib")
tahminler = model.predict(X_test)

---

Teknoloji Yığını

Kategori	Teknoloji
Dil	Python 3.10+
ML Framework	scikit-learn 1.7.2
Veri İşleme	pandas 2.3.3, numpy 2.2.6
Görselleştirme	matplotlib 3.10.7, seaborn 0.13.2
Serileştirme	joblib 1.5.2
Notebook	JupyterLab 4.4.10 (opsiyonel)

---

Veri Seti

Bu proje Kaggle House Prices: Advanced Regression Techniques veri setini kullanmaktadır.

🔗 Veri Setini İndir

Yapı:

• train.csv → 1460 örnek, 81 özellik
• test.csv → 1459 örnek (submission için)

Her iki dosyayı da pipeline'ı çalıştırmadan önce data/ dizinine yerleştirin.

---

Extra EDA Notes

• Minor refactor & docs update.

---

Tasarım İlkeleri

Modülerlik → Her bileşenin tek bir sorumluluğu var
Tekrarlanabilirlik → Sabit random seed'ler, versiyon kilitli bağımlılıklar
PEP 257 Uyumluluğu → Tüm public fonksiyonlarda docstring
Üretime Hazır → Temiz sorumluluk ayrımı, hardcoded path yok
Genişletilebilirlik → Yeni model veya feature engineering adımları eklemek kolay

---

Katkıda Bulunma

Bu, ML mühendisliği en iyi uygulamalarını gösteren bir portföy projesidir. Yapabilecekleriniz:

• Fork edip deneyebilirsiniz
• Issue'lar aracılığıyla iyileştirme önerebilirsiniz
• Kendi projeleriniz için şablon olarak kullanabilirsiniz

---

Lisans

MIT Lisansı © 2025 Onur Tilki

Bu yazılımın ve ilgili dokümantasyon dosyalarının ("Yazılım") bir kopyasını edinen herhangi bir kişiye, Yazılımı kısıtlama olmaksızın kullanma, kopyalama, değiştirme, birleştirme, yayınlama, dağıtma, alt lisans verme ve/veya satma hakları dahil olmak üzere Yazılımı kullanma izni ücretsiz olarak verilir.

YAZILIM "OLDUĞU GİBİ" SAĞLANIR, HİÇBİR GARANTİ VERİLMEZ.

---

Yazar

Onur Tilki

• GitHub: @4F71
• Kaggle: @onurtilki

---

Teşekkürler

• Veri Seti: Kaggle House Prices Competition
• İlham Kaynağı: Üretim seviyesi ML sistemleri ve yazılım mühendisliği en iyi uygulamaları

---

---

Version: ElasticNetCV v1.0
Kaggle RMSLE: 0.13049
Status: Baseline model successfully validated on Kaggle (2025)

Faydalı bulduysanız yıldız vermeyi düşünün!

ve scikit-learn ile yapıldı