Machine Learning para Predecir Precios de Coches

Tabla de Contenidos

• Descripción
• Datos
• Análisis
• Tecnologías y herramientas
• Resultados
• Contribuciones
• Licencia
• Contacto

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