bin778/SportsCarModel

스포츠카 가격 및 성능 예측 모델

이 모델은 스포츠카의 다양한 스펙(제조사, 연식, 엔진 크기 등)을 기반으로 가격, 마력, 제로백을 예측하는 딥러닝 및 머신러닝 모델을 포함하고 있다.

프로젝트 개요

다양한 스포츠카 데이터를 분석하고, 최적의 예측 모델을 찾기 위해 다음과 같은 과정을 거쳤다.

1. 데이터 전처리 및 피처 엔지니어링 (GroupBy 활용)
2. 딥러닝(TensorFlow/Keras) 및 머신러닝(XGBoost) 모델 구축
3. 하이퍼파라미터 튜닝을 통한 모델 최적화
4. 두 모델의 성능(MSE) 비교 및 최종 모델 선정

모델 (Models)

이 프로젝트는 두 가지 최적화된 모델을 제공한다.

모델 종류	파일명	주요 특징
딥러닝 (Keras)	best_model.keras	ReLU 활성화 함수와 Dropout을 사용한 3-Layer 신경망
머신러닝 (XGBoost)	xgboost-model.skops	하이퍼파라미터 튜닝으로 최적화된 Gradient Boosting 모델

모델 구조 (딥러닝)

데이터셋 (Dataset)

• 데이터 출처: Sports Car Price Dataset on Kaggle (예시 링크)
• 타겟 변수 (예측 대상): 가격(원화), 마력, 제로백 (0-100km)
• 주요 피처: 제조사, 모델, 연식, 엔진 크기, 토크 등

사용 방법

이 모델을 불러와 사용하려면 tensorflow, xgboost, scikit-learn, skops 라이브러리가 필요하다.

XGBoost 모델 불러오기 및 예측

import skops.io as sio

# 저장소에서 모델을 직접 불러올 수 있다 (또는 다운로드 후)
# loaded_model = sio.load("hf://your-hf-username/your-repo-name/xgboost-model.skops")
loaded_model = sio.load("xgboost-model.skops")

# 예측할 데이터를 준비한다 (전처리 및 스케일링 필요)
# preprocessed_data = ...
# prediction = loaded_model.predict(preprocessed_data)
# print(prediction)

최종 성능

하이퍼파라미터 튜닝 후, 두 모델의 테스트 데이터셋에 대한 평균 제곱 오차(MSE)는 다음과 같다.

• (튜닝) 딥러닝 모델 MSE: 0.010617
• (튜닝) XGBoost 모델 MSE: 0.010617

두 모델이 거의 동일한 최고 성능을 기록했으며, 이는 데이터의 특성을 각기 다른 방식으로 완벽하게 학습했음을 시사한다.