Predicción Precio Vehículos - Regresión Lineal¶

En el siguiente ejercicio se busca, a través del análisis de datos, generar un modelo que nos permita predecir el precio de un vehículo a partir de sus características principales, mediante la generación de un modelo de regresión lineal. Siguiendo las siguientes etapas del análisis:

Descripción del problema: Define el objetivo del análisis y qué se espera lograr con el modelo predictivo.
Análisis Exploratorio de Datos (EDA): Esta etapa es crucial para comprender los datos, identificar patrones, relaciones y posibles correlaciones. Ayuda a seleccionar las características adecuadas para el modelo.
Codificación de variables Categóricas: Los datos se preparan para el modelado, lo que implica convertir variables categóricas en numéricas utilizando técnicas como One-Hot Encoding.
Análisis de Correlación: En esta etapa, se examinan las relaciones entre las diferentes características del conjunto de datos y la variable objetivo (en este caso, el precio del vehículo). Se calculan los coeficientes de correlación, como el coeficiente de correlación de Pearson, para medir la fuerza y la dirección de la relación entre las variables numéricas. Este análisis proporciona información crucial sobre qué características están más estrechamente relacionadas con el precio del vehículo y cuáles pueden tener una influencia significativa en el modelo de regresión lineal.
Construcción del Modelo de regresión lineal: Se procede a entrenar el modelo de regresión lineal utilizando el conjunto de datos de entrenamiento, ajustando los parámetros óptimos para obtener la mejor predicción posible. Luego, se evalúa la capacidad predictiva del modelo utilizando métricas como el Error Cuadrático Medio (MSE) y el coeficiente de determinación R2. Finalmente, se valida el rendimiento del modelo en un conjunto de datos de prueba independiente para confirmar su capacidad para generalizar a nuevas instancias.

Librerías¶

Las librerías que vamos a utilizar son:

In [ ]:

# Tratamiento de datos
# ==============================================================================
import pandas as pd
import numpy as np

# Gráficos
# ==============================================================================
import matplotlib.pyplot as plt
from matplotlib import style
import seaborn as sns

# Preprocesado y modelado
# ==============================================================================
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import statsmodels.api as sm
from sklearn import metrics


#Configuracion Graficas
# ==============================================================================
plt.style.use('ggplot')
plt.rcParams['figure.figsize'] = [6, 4.5]
palette = ["#003049","#d62828","#f77f00","#fcbf49","#eae2b7"]
sns.set_theme( palette= palette, context= "notebook")

# Configuración warnings
# ==============================================================================
import warnings
warnings.filterwarnings('ignore')

1. Descripción del Problema¶

Tenemos un conjunto de datos que abarca características de los vehículos incluyendo el precio. Nuestro objetivo será, a través de un modelo de regresión lineal, predecir el valor de cada vehículo en función de sus características principales.

2. Análisis Exploratorio de Datos¶

A continuación realizamos un análisis exploratorio de datos. Esta etapa se centra en conocer en detalle tus datos, como descubrir patrones, detectar anomalías, generar y probar hipótesis, y verificar suposiciones con la ayuda de estadísticas descriptivas y representaciones gráficas para transformarlos en información útil.

2.1 Ingresamos los datos que vamos a utilizar"¶

In [ ]:

# Leemos el archivo y lo guardamos en la variable df
df = pd.read_csv("Car details v3.csv")

2.2 Resumen de los datos¶

Por medio de resúmenes de datos empezamos a comprender los datos que vamos a trabajar durante el análisis.

In [ ]:

df.head(5)

Out[ ]:

	name	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	torque	seats
0	Maruti Swift Dzire VDI	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.4 kmpl	1248 CC	74 bhp	190Nm@ 2000rpm	5.0
1	Skoda Rapid 1.5 TDI Ambition	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14 kmpl	1498 CC	103.52 bhp	250Nm@ 1500-2500rpm	5.0
2	Honda City 2017-2020 EXi	2006	158000	140000	Petrol	Individual	Manual	Third Owner	17.7 kmpl	1497 CC	78 bhp	12.7@ 2,700(kgm@ rpm)	5.0
3	Hyundai i20 Sportz Diesel	2010	225000	127000	Diesel	Individual	Manual	First Owner	23.0 kmpl	1396 CC	90 bhp	22.4 kgm at 1750-2750rpm	5.0
4	Maruti Swift VXI BSIII	2007	130000	120000	Petrol	Individual	Manual	First Owner	16.1 kmpl	1298 CC	88.2 bhp	11.5@ 4,500(kgm@ rpm)	5.0

La variable dependiente que será la que vamos a predecir será selling_price, las demás variables serán consideradas variables independientes.

In [ ]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8128 entries, 0 to 8127
Data columns (total 13 columns):
 #   Column         Non-Null Count  Dtype  
---  ------         --------------  -----  
 0   name           8128 non-null   object 
 1   year           8128 non-null   int64  
 2   selling_price  8128 non-null   int64  
 3   km_driven      8128 non-null   int64  
 4   fuel           8128 non-null   object 
 5   seller_type    8128 non-null   object 
 6   transmission   8128 non-null   object 
 7   owner          8128 non-null   object 
 8   mileage        7907 non-null   object 
 9   engine         7907 non-null   object 
 10  max_power      7913 non-null   object 
 11  torque         7906 non-null   object 
 12  seats          7907 non-null   float64
dtypes: float64(1), int64(3), object(9)
memory usage: 825.6+ KB

Podemos ver que las columnas mileage, engine, max_power, torque, seats presentan valores nulos.

2.3 Valores Faltantes¶

La gran mayoría de algoritmos de creación de modelos no acepta valores nulos, por lo que tenemos principalmente dos opciones:

Eliminar las observaciones o variables que contengan valores nulos.
Tratar de estimar los valores ausentes empleando la imputación de valores faltantes.

Vamos a observar la cantidad de valores faltantes por variable:

In [ ]:

df.isna().sum()

Out[ ]:

name               0
year               0
selling_price      0
km_driven          0
fuel               0
seller_type        0
transmission       0
owner              0
mileage          221
engine           221
max_power        215
torque           222
seats            221
dtype: int64

Vamos a observar cuántos registros tienen al menos un dato nulo:

In [ ]:

df[df.isnull().any(axis=1)]

Out[ ]:

	name	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	torque	seats
13	Maruti Swift 1.3 VXi	2007	200000	80000	Petrol	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN
31	Fiat Palio 1.2 ELX	2003	70000	50000	Petrol	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN
78	Tata Indica DLS	2003	50000	70000	Diesel	Individual	Manual	First Owner	NaN	NaN	NaN	NaN	NaN
87	Maruti Swift VDI BSIV W ABS	2015	475000	78000	Diesel	Dealer	Manual	First Owner	NaN	NaN	NaN	NaN	NaN
119	Maruti Swift VDI BSIV	2010	300000	120000	Diesel	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...
7846	Toyota Qualis Fleet A3	2000	200000	100000	Diesel	Individual	Manual	First Owner	NaN	NaN	NaN	NaN	NaN
7996	Hyundai Santro LS zipPlus	2000	140000	50000	Petrol	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN
8009	Hyundai Santro Xing XS eRLX Euro III	2006	145000	80000	Petrol	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN
8068	Ford Figo Aspire Facelift	2017	580000	165000	Diesel	Individual	Manual	First Owner	NaN	NaN	NaN	NaN	NaN
8103	Maruti Swift 1.3 VXi	2006	130000	100000	Petrol	Individual	Manual	Second Owner	NaN	NaN	NaN	NaN	NaN

222 rows × 13 columns

Vemos que hay $222$ registros que al menos tienen un dato nulo. Ahora vamos a hallar la proporción de registros con al menos un dato nulo con respecto al número total de registros.

In [ ]:

# Propocion de registros con almenos un dato nulo
print(f" La proporcion de Registros con al menos un valor nulo es {df[df.isnull().any(axis=1)].shape[0] / df.shape[0] * 100 :.4f}%" )

 La proporcion de Registros con al menos un valor nulo es 2.7313%

La proporción de los registros que contienen valores nulos es relativamente baja, puesto que es aproximadamente de $2.73\%$.

En este caso, optamos por eliminar los registros que tengan al menos un dato nulo. Esto se debe a que el conjunto de datos es lo suficientemente grande y la proporción de datos nulos es muy baja. Además, debemos tener en cuenta que existe un alto riesgo de introducir valores en predictores que puedan tener mucha influencia en el modelo, lo que podría sesgar el modelo y, por ende, disminuir su precisión en la predicción.

In [ ]:

# Eliminamos los registros que tengan almenos un dato nulo
df = df.dropna()
df

Out[ ]:

	name	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	torque	seats
0	Maruti Swift Dzire VDI	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.4 kmpl	1248 CC	74 bhp	190Nm@ 2000rpm	5.0
1	Skoda Rapid 1.5 TDI Ambition	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14 kmpl	1498 CC	103.52 bhp	250Nm@ 1500-2500rpm	5.0
2	Honda City 2017-2020 EXi	2006	158000	140000	Petrol	Individual	Manual	Third Owner	17.7 kmpl	1497 CC	78 bhp	12.7@ 2,700(kgm@ rpm)	5.0
3	Hyundai i20 Sportz Diesel	2010	225000	127000	Diesel	Individual	Manual	First Owner	23.0 kmpl	1396 CC	90 bhp	22.4 kgm at 1750-2750rpm	5.0
4	Maruti Swift VXI BSIII	2007	130000	120000	Petrol	Individual	Manual	First Owner	16.1 kmpl	1298 CC	88.2 bhp	11.5@ 4,500(kgm@ rpm)	5.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...
8123	Hyundai i20 Magna	2013	320000	110000	Petrol	Individual	Manual	First Owner	18.5 kmpl	1197 CC	82.85 bhp	113.7Nm@ 4000rpm	5.0
8124	Hyundai Verna CRDi SX	2007	135000	119000	Diesel	Individual	Manual	Fourth & Above Owner	16.8 kmpl	1493 CC	110 bhp	24@ 1,900-2,750(kgm@ rpm)	5.0
8125	Maruti Swift Dzire ZDi	2009	382000	120000	Diesel	Individual	Manual	First Owner	19.3 kmpl	1248 CC	73.9 bhp	190Nm@ 2000rpm	5.0
8126	Tata Indigo CR4	2013	290000	25000	Diesel	Individual	Manual	First Owner	23.57 kmpl	1396 CC	70 bhp	140Nm@ 1800-3000rpm	5.0
8127	Tata Indigo CR4	2013	290000	25000	Diesel	Individual	Manual	First Owner	23.57 kmpl	1396 CC	70 bhp	140Nm@ 1800-3000rpm	5.0

7906 rows × 13 columns

Observamos que ahora tenemos $7906$ Registros.

2.4 Transformación de Características¶

A continuación vamos a analizar algunas variables y las transformaciones en el conjunto de datos que puedan beneficiar el análisis y la posterior creación del modelo de regresión lineal:

Campo name: Observamos que es del tipo object. Vamos a observar cuántos valores únicos hay, ya que si existe una alta cardinalidad en comparación con el tamaño del conjunto de datos, puede aumentar la complejidad del modelo sin agregar valor predictivo significativo. En este caso, eliminar el campo podría ayudar a reducir la dimensionalidad y mejorar el rendimiento del modelo.

In [ ]:

df["name"].nunique()

Out[ ]:

In [ ]:

df.drop("name", axis= 1, inplace= True)
df.reset_index(drop= True, inplace= True)
df.head(3)

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	torque	seats
0	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.4 kmpl	1248 CC	74 bhp	190Nm@ 2000rpm	5.0
1	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14 kmpl	1498 CC	103.52 bhp	250Nm@ 1500-2500rpm	5.0
2	2006	158000	140000	Petrol	Individual	Manual	Third Owner	17.7 kmpl	1497 CC	78 bhp	12.7@ 2,700(kgm@ rpm)	5.0

Campo mileage": Observamos que en este campo, los datos están representados como objetos (tipo "object") debido a que contienen un número seguido de un texto ("string"). Es fundamental convertir este campo a un formato numérico para poder realizar un análisis adecuado. Sin embargo, antes de realizar la conversión, es importante tener en cuenta que podrían existir múltiples unidades de medida en este campo. Para abordar esta incertidumbre, vamos a crear una copia del DataFrame original. En esta copia, separaremos el número y el texto en dos columnas diferentes para examinar qué cadenas de caracteres están presentes en este campo.

In [ ]:

# Creamos una copia del Dataframe
# ===============================================
df_copia = df.copy()

# Separamos el valor del string
# ===============================================
df_copia[["valor", "unidad"]] = df_copia["mileage"].str.split(" ", expand= True)

# Realizamos un conteo de las variables en la columna "unidad" Generada y mostramos el DataFrame
# ===============================================
print(df_copia["unidad"].value_counts())
df_copia[df_copia["unidad"] == "km/kg"]

unidad
kmpl     7819
km/kg      87
Name: count, dtype: int64

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	torque	seats	valor	unidad
6	2007	96000	175000	LPG	Individual	Manual	First Owner	17.3 km/kg	1061 CC	57.5 bhp	7.8@ 4,500(kgm@ rpm)	5.0	17.3	km/kg
33	2019	330000	10000	CNG	Individual	Manual	Second Owner	33.44 km/kg	796 CC	40.3 bhp	60Nm@ 3500rpm	4.0	33.44	km/kg
86	2010	225000	44000	LPG	Dealer	Manual	First Owner	26.2 km/kg	998 CC	58.2 bhp	77Nm@ 3500rpm	5.0	26.2	km/kg
196	2016	360000	50000	CNG	Individual	Manual	First Owner	26.6 km/kg	998 CC	58.16 bhp	77Nm@ 3500rpm	5.0	26.6	km/kg
388	2020	409999	35000	CNG	Individual	Manual	First Owner	20.88 km/kg	1196 CC	61.7 bhp	85Nm@ 3000rpm	5.0	20.88	km/kg
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7107	2010	155000	70000	CNG	Individual	Manual	Second Owner	26.83 km/kg	796 CC	38.4 bhp	62Nm@ 3000rpm	5.0	26.83	km/kg
7332	2019	330000	10000	CNG	Individual	Manual	Second Owner	33.44 km/kg	796 CC	40.3 bhp	60Nm@ 3500rpm	4.0	33.44	km/kg
7428	2012	300000	70000	LPG	Individual	Manual	First Owner	13.2 km/kg	995 CC	60.2 bhp	90.3Nm@ 4200rpm	5.0	13.2	km/kg
7517	2015	380000	20000	CNG	Individual	Manual	First Owner	21.94 km/kg	1196 CC	61.7 bhp	85Nm@ 3000rpm	5.0	21.94	km/kg
7695	2011	209000	1	CNG	Individual	Manual	Fourth & Above Owner	15.1 km/kg	1196 CC	73 bhp	101Nm@ 3000rpm	5.0	15.1	km/kg

87 rows × 14 columns

Podemos notar que los vehículos que tienen la unidad "km/kg" corresponden a aquellos que tienen en el campo "fuel" un valor de "CNG" o "LPG". Esta asociación tiene sentido ya que los vehículos que utilizan Gas Licuado de Petróleo (LPG) o Gas Natural Comprimido (CNG) como combustible tienden a medir su eficiencia en "km/kg". Dado que la unidad de medida está relacionada con los valores de la columna "fuel", que nos indica el tipo de combustible, podemos optar por conservar únicamente el número en la columna "mileage" y ajustar el coeficiente según el tipo de combustible. Entonces procedemos a conservar solo los valores numéricos de la variable mileage, esto lo podemos lograr a través de expresiones regulares.

In [ ]:

#Transformacion del campo mileage
# ===========================================
df["mileage"] = df["mileage"].str.extract("(\d+\.\d+|\d+)").astype(np.float64)

Campo engine: Sucede lo mismo que en el campo mileage, de forma que debemos eliminar la cadena de caracteres para obtener un campo numérico. Sin embargo, también vamos a explorar qué unidades de medida tiene el campo.

In [ ]:

# Creamos una copia del Dataframe
# ===============================================
df_copia = df.copy()

# Separamos el valor del string
# ===============================================
df_copia[["valor", "unidad"]] = df_copia["engine"].str.split(" ", expand= True)

# Realizamos un conteo de las variables en la columna "unidad" Generada y mostramos el DataFrame
# ===============================================
print(df_copia["unidad"].value_counts())

unidad
CC    7906
Name: count, dtype: int64

En este caso, podemos notar que todos los datos tienen la misma unidad de medida, lo que nos permite eliminar la unidad de medida de los valores individuales. Dado que la unidad de medida es consistente para todo el campo, podemos optar por agregar la unidad de medida al encabezado (header) del campo para indicar claramente la unidad utilizada en todos los valores.

In [ ]:

#Transformacion del campo engine
# ===========================================
df["engine"] = df["engine"].str.extract("(\d+\.\d+|\d+)").astype(np.float64)

#Añadimos la unidad al titulo del campo
df.rename(columns= {"engine": "engine(CC)"}).head(2)

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine(CC)	max_power	torque	seats
0	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.40	1248.0	74 bhp	190Nm@ 2000rpm	5.0
1	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14	1498.0	103.52 bhp	250Nm@ 1500-2500rpm	5.0

Campo max_power: Realizamos el mismo proceso para observar si la unidad de medida es la misma para todos los registros.

In [ ]:

# Creamos una copia del Dataframe
# ===============================================
df_copia = df.copy()

# Separamos el valor del string
# ===============================================
df_copia[["valor", "unidad"]] = df_copia["max_power"].str.split(" ", expand= True)

# Realizamos un conteo de las variables en la columna "unidad" Generada y mostramos el DataFrame
# ===============================================
print(df_copia["unidad"].value_counts())

unidad
bhp    7906
Name: count, dtype: int64

Observamos que todos los registros tienen la misma unidad de medida, así que vamos a conservar solo el valor numérico y vamos a añadir al encabezado la unidad de medida.

In [ ]:

#Transformacion del campo max_power
# ===========================================
df["max_power"] = df["max_power"].str.extract("(\d+\.\d+|\d+)").astype(np.float64)

#Añadimos la unidad al titulo del campo
df.rename(columns= {"max_power": "max_power(bhp)"}).head(2)
df.dtypes

Out[ ]:

year               int64
selling_price      int64
km_driven          int64
fuel              object
seller_type       object
transmission      object
owner             object
mileage          float64
engine           float64
max_power        float64
torque            object
seats            float64
dtype: object

Campo torque: Este campo presenta algunas dificultades debido a que no tiene un patrón claro, ya que algunos vehículos tienen el torque expresado en Newton-metro, otros en kilogramos-metro, y algunos no tienen indicadas las unidades en las que se encuentran presentadas. Realizamos un conteo de valores únicos en este campo.

In [ ]:

df["torque"].nunique()

Out[ ]:

Tenemos un alto número de variables cualitativas únicas, por lo que podría aumentar considerablemente la complejidad del modelo sin agregar un valor predictivo realmente significativo. Además, es posible que la variable torque esté relacionada con la variable max_power, lo que podría generar colinealidad en nuestro modelo de regresión lineal. Por ello, procedemos a eliminar ese campo.

In [ ]:

df.drop(["torque"], axis= 1, inplace= True)
df.head(5)

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	seats
0	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.40	1248.0	74.00	5.0
1	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14	1498.0	103.52	5.0
2	2006	158000	140000	Petrol	Individual	Manual	Third Owner	17.70	1497.0	78.00	5.0
3	2010	225000	127000	Diesel	Individual	Manual	First Owner	23.00	1396.0	90.00	5.0
4	2007	130000	120000	Petrol	Individual	Manual	First Owner	16.10	1298.0	88.20	5.0

In [ ]:

df["selling_price"].describe()

Out[ ]:

count    7.906000e+03
mean     6.498137e+05
std      8.135827e+05
min      2.999900e+04
25%      2.700000e+05
50%      4.500000e+05
75%      6.900000e+05
max      1.000000e+07
Name: selling_price, dtype: float64

2.5 Valores Atípicos¶

A continuación vamos a crear las gráficas de caja para observar la distribución de las variables numéricas:

In [ ]:

# Creamos la matriz de graficas
# ======================================================
fig, axes = plt.subplots(2, 4, figsize=(15,7))

# Creamos cada grafica de caja de acuerdo a cada una de las variable
# ================================================================
caracteristicas = df.select_dtypes(include= [np.number]).columns
for i in range(len(df.select_dtypes(include= [np.number]).columns)):
    fila= i //4
    columna= i % 4
    sns.boxplot(data= df, x= caracteristicas[i], ax= axes[fila, columna])
    axes[fila, columna].set_xlabel(caracteristicas[i], fontweight= "bold")
fig.delaxes(ax= axes[1,3])
fig.suptitle("Distribucion de las variables numericas", fontweight= "bold", fontsize= 20)
fig.tight_layout()

No description has been provided for this image

La eliminación de observaciones atípicas e influyentes debe ser analizada minuciosamente, considerando la finalidad del modelo. Si el objetivo del modelo es predictivo, generalmente un modelo que no contenga outliers ni observaciones altamente influyentes tiende a predecir mejor la mayoría de los casos. Sin embargo, es crucial prestar atención a estos valores, ya que, si no son errores de medición, podrían representar casos especialmente interesantes. No es adecuado descartar una observación simplemente porque sea un valor atípico, ya que podría ser legítima. Es esencial investigar la naturaleza del valor atípico antes de decidir si debe ser excluido o no. Se permite eliminar valores atípicos en dos casos específicos:

Cuando el valor atípico se debe a datos ingresados o medidos incorrectamente.
Cuando el valor atípico genera una asociación significativa.

En el caso de la variable "selling_price", podemos observar un valor extremo que se aleja completamente de la concentración del conjunto de datos, lo que podría generar una asociación significativa y una influencia desproporcionada en el modelo de regresión lineal. Además, en la variable "km_driven", observamos dos valores que están muy alejados de la concentración de los datos, lo que podría tener un efecto similar. Aunque estos valores no son errores en los datos, su presencia puede afectar significativamente la capacidad del modelo para generalizar y hacer predicciones precisas.

In [ ]:

# identificamos los valores extremos del campo selling_price y el campo km_driven
# ======================================================================
df[(df["selling_price"] > 0.99e7) | (df["km_driven"]> 1.4e6)]

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	seats
164	2017	10000000	30000	Petrol	Individual	Automatic	First Owner	42.0	1969.0	400.00	4.0
1757	2012	500000	1500000	Diesel	Individual	Manual	First Owner	15.1	2179.0	140.00	7.0
3377	2007	550000	2360457	Petrol	Individual	Manual	Second Owner	18.6	1197.0	81.83	5.0

In [ ]:

# Capturamos los index de esas observaciones extremas
# ======================================================================
extremos_index = df[(df["selling_price"] > 0.99e7) | (df["km_driven"]> 1.4e6)].index

# Las eliminamos de nuestro DataFrame
# ======================================================================
df.drop(extremos_index, axis= 0, inplace= True)

# Mostramos las nuevas dimensiones del DataFrame y los primeros tres datos
# ======================================================================
print(f"Dimesiones del DataFrame: {df.shape}")
df.head(3)

Dimesiones del DataFrame: (7903, 11)

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	seats
0	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.40	1248.0	74.00	5.0
1	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14	1498.0	103.52	5.0
2	2006	158000	140000	Petrol	Individual	Manual	Third Owner	17.70	1497.0	78.00	5.0

2.6 Análisis Univariable de Variables Numéricas¶

A continuación realizaremos un análisis univariable sobre cada una de las variables numéricas, por medio de resúmenes de datos y representaciones gráficas como histogramas.

In [ ]:

# Resumen de datos cuantitativos
# ======================================
df.describe(include="number")

Out[ ]:

	year	selling_price	km_driven	mileage	engine	max_power	seats
count	7903.000000	7.903000e+03	7903.000000	7903.000000	7903.000000	7903.000000	7903.000000
mean	2013.984689	6.486622e+05	68722.647982	19.417654	1458.586233	91.543458	5.416424
std	3.863416	8.069070e+05	47986.707753	4.028726	503.882245	35.580905	0.959081
min	1994.000000	2.999900e+04	1.000000	0.000000	624.000000	32.800000	2.000000
25%	2012.000000	2.700000e+05	35000.000000	16.780000	1197.000000	68.050000	5.000000
50%	2015.000000	4.500000e+05	60000.000000	19.300000	1248.000000	82.000000	5.000000
75%	2017.000000	6.900000e+05	95100.000000	22.320000	1582.000000	102.000000	5.000000
max	2020.000000	7.200000e+06	577414.000000	33.440000	3604.000000	282.000000	14.000000

In [ ]:

# Creamos la matriz de graficas
# ======================================================
fig, axes = plt.subplots(2, 4, figsize=(15,7))

# Creamos cada grafica de caja de acuerdo a cada una de las variable
# ================================================================
caracteristicas = df.select_dtypes(include= [np.number]).columns
for i in range(len(caracteristicas)):
    fila= i //4
    columna= i % 4
    sns.histplot(data= df, x= caracteristicas[i], ax= axes[fila, columna], alpha= 1)
    axes[fila, columna].axvline(x= df[caracteristicas[i]].mean(), linewidth= 2, color= "red", linestyle= "dashed", label= "media")
    axes[fila, columna].set_xlabel(caracteristicas[i], fontweight= "bold")
fig.delaxes(ax= axes[1,3])
fig.suptitle("Histograma de las variables numericas", fontweight= "bold", fontsize= 20)
fig.tight_layout()
axes[0,2].legend(fontsize= 15, bbox_to_anchor= (1.2, 1.24));

Del análisis univariable se desprende lo siguiente:

La mayoría de los vehículos en el conjunto de datos son modelos fabricados después del año 2010.
Tanto la variable selling_price como la variable km_driven muestran distribuciones asimétricas positivas, lo que indica una cola hacia la derecha en la distribución.
La variable mileage es la que más se asemeja a una distribución normal, seguida por la variable max_power.
La variable engine tiene una distribución ligeramente sesgada hacia la izquierda.
La gran mayoría de los vehículos en el conjunto de datos cuenta con 5 asientos.

2.7 Analisis Univariable de variables Categoricas¶

A continuacion realizaremos un analisis univariable sobre cada una de las variable numericas, por medio de resumenes de datos y representaciones graficas.

In [ ]:

df.describe(include = "object")

Out[ ]:

	fuel	seller_type	transmission	owner
count	7903	7903	7903	7903
unique	4	3	2	5
top	Diesel	Individual	Manual	First Owner
freq	4298	6560	6863	5213

In [ ]:

fig, axes = plt.subplots(2, 2, figsize=(15,7))

# Creamos cada grafica de caja de acuerdo a cada una de las variable
# ================================================================
caracteristicas = df.select_dtypes(include= "object").columns
for i in range(len(caracteristicas)):
    fila= i //2
    columna= i % 2
    sns.countplot(data= df, x= caracteristicas[i], ax= axes[fila, columna], alpha= 1, palette= palette)
    axes[fila, columna].set_xlabel(caracteristicas[i], fontweight= "bold")
    for bar, value in enumerate(df[caracteristicas[i]].value_counts().reset_index()["count"].values):
        axes[fila, columna].text(bar, value, str(value), ha= "center")
axes[1,1].set_xticklabels(axes[1,1].get_xticklabels(), rotation=45)
fig.tight_layout()

La mayoría de los vehículos en el conjunto de datos funcionan con combustible Diesel, seguidos por aquellos que utilizan gasolina, mientras que hay muy pocos vehículos que utilizan LPG y CNG como tipo de combustible.
En cuanto a la variable seller_type, predominan los vendedores individuales, seguidos por los concesionarios, con una presencia mínima de vendedores Trustmark Dealer.
Analizando la variable transmission, se observa que la mayoría de los vehículos en el conjunto de datos tienen transmisión manual.
En lo que respecta a la variable owner, la mayoría de los vehículos son de primer propietario, seguidos por los de segundo propietario. Hay una diferencia considerable en el número de observaciones para los propietarios de tercer y cuarto (y superiores) propietarios. Además, solo hay 5 observaciones para vehículos de prueba (Test Drive car).

2.8 Análisis Bivariado - Variables Numéricas¶

A continuación, llevaremos a cabo un análisis bivariado para explorar las relaciones que puedan existir entre cada variable dependiente y las variables numéricas independientes. Esto nos permitirá entender mejor la interacción entre las diferentes variables en nuestro conjunto de datos.

In [ ]:

df.head(2)

Out[ ]:

	year	selling_price	km_driven	fuel	seller_type	transmission	owner	mileage	engine	max_power	seats
0	2014	450000	145500	Diesel	Individual	Manual	First Owner	23.40	1248.0	74.00	5.0
1	2014	370000	120000	Diesel	Individual	Manual	Second Owner	21.14	1498.0	103.52	5.0

In [ ]:

# Creamos una matriz de graficos de 2 filas y 3 columnas
# ==============================================================
fig, axes = plt.subplots(nrows= 2, ncols= 3, figsize= (10, 6))

caracteristicas = df.select_dtypes(include= [np.number]).drop("selling_price", axis=1).columns

for i in range(len(caracteristicas)):
    fila = i // 3
    columna =  i % 3
    sns.scatterplot(ax= axes[fila, columna], data= df, x= caracteristicas[i], y= "selling_price")
fig.tight_layout()

Se observa una relación débil positiva entre la variable selling_price y el año del vehículo, indicando que a medida que el modelo es más reciente, su valor tiende a ser mayor.
Se evidencia una relación débil negativa entre la variable km_driven y la variable selling_price. Esto sugiere que a medida que aumenta la cantidad de kilómetros conducidos, el precio del vehículo tiende a disminuir. Sin embargo, esta relación parece ser muy tenue.
No se aprecia ninguna relación entre la variable selling_price y la variable mileage.
Existe una relación débil positiva entre la variable selling_price y la variable engine, lo que implica que a medida que aumenta el tamaño del motor, también lo hace el precio del vehículo.
Se observa un patrón similar entre la variable selling_price y la variable max_power, donde a mayor potencia del vehículo, mayor es su valor.
No parece haber una relación entre la cantidad de asientos y el valor del vehículo.

Análisis Bivariado - Variables Categóricas¶

A continuación se realiza un análisis entre la variable selling_price y las variables categóricas.

In [ ]:

# Creamos una matriz de graficos de 2 filas y 3 columnas
# ==============================================================
fig, axes = plt.subplots(nrows= 2, ncols= 2, figsize= (10, 6))

caracteristicas = df.select_dtypes(include= "object").columns

for i in range(len(caracteristicas)):
    fila = i // 2
    columna =  i % 2
    sns.stripplot(ax= axes[fila, columna], data= df, x= caracteristicas[i], y= "selling_price", s= 3)
fig.tight_layout()

Los precios de los vehículos con tipo de combustible gasolina y Diesel son similares, mientras que los de tipo LPG y CNG son considerablemente más bajos.
Los precios de los vehículos vendidos por Distribuidor son ligeramente más altos que los de tipo individual, mientras que los vehículos vendidos por Trustmark Dealer tienen precios significativamente más bajos.
Los vehículos con transmisión automática tienen precios considerablemente más altos que aquellos con transmisión manual.
A medida que aumenta el número de propietarios que ha tenido el vehículo, su precio tiende a disminuir. Sin embargo, los vehículos de prueba (Test Drive) incluyen algunos modelos costosos.

Análisis Multivariado¶

A continuación se analizan múltiples variables simultáneamente para identificar relaciones y dependencias entre ellas.

In [ ]:

sns.relplot(data= df, x= "year", y= "selling_price", col= "seller_type", hue= "fuel", kind= "scatter", alpha= 0.9, s=90)
sns.relplot(data= df, x= "max_power", y= "selling_price", col= "seller_type", hue= "fuel", kind= "scatter", alpha= 0.9, s=90)
sns.relplot(data= df, x= "km_driven", y= "selling_price", col= "seller_type", hue= "fuel", kind= "scatter", alpha= 0.9, s=90);

Aunque los vendedores de tipo Trustmark Dealer ofrecen modelos más recientes (posteriores al año 2010) y los que menos kilometraje tienen, estos vehículos suelen tener una potencia más baja. Por lo tanto, es evidente que el precio de venta de estos vehículos es relativamente bajo en comparación con los vendidos por Distribuidores o de forma individual

3. Codificación de Variables Categóricas¶

Se realiza un mapeo numérico de las variables cualitativas, mediante la librería de pandas.

In [ ]:

caracteristicas = df.select_dtypes(include= "object").drop("fuel", axis=1).columns
caracteristicas
df = pd.get_dummies(df, columns= caracteristicas, drop_first= True)

df = pd.get_dummies(df, columns = ["fuel"]).drop("fuel_Diesel", axis = 1)*1

df.head(2)

Out[ ]:

	year	selling_price	km_driven	mileage	engine	max_power	seats	seller_type_Individual	seller_type_Trustmark Dealer	transmission_Manual	owner_Fourth & Above Owner	owner_Second Owner	owner_Test Drive Car	owner_Third Owner	fuel_CNG	fuel_LPG	fuel_Petrol
0	2014	450000	145500	23.40	1248.0	74.00	5.0	1	0	1	0	0	0	0	0	0	0
1	2014	370000	120000	21.14	1498.0	103.52	5.0	1	0	1	0	1	0	0	0	0	0

4. Análisis de Correlación¶

Es fundamental calcular el coeficiente de correlación de Pearson. Este es un paso importante para identificar las variables que más influyen en el modelo.

In [ ]:

fig, axes = plt.subplots(nrows= 1, ncols= 1, figsize= (12, 9), dpi= 80)
sns.heatmap(data = round(df.corr(numeric_only= True, method= "pearson"),2),
            annot= True,
            vmin=-1, vmax=1,
            cmap= sns.color_palette("vlag_r", as_cmap=True),
            linecolor= "black",
            linewidth=1
            )

Out[ ]:

<Axes: >

Se observa que la variable selling_price presenta una relación lineal positiva fuerte con max_power. Además, muestra una correlación negativa media con la variable transmission_manual, una relación positiva media con la variable engine, una relación positiva media con la variable year, y una relación positiva con la variable seller_type_individual.
Se evidencia una alta correlación entre las variables engine y max_power, lo que podría indicar la presencia de multicolinealidad entre ellas

5. Construcción del modelo de regresión lineal¶

5.1 Conjunto de variables independientes y la variable dependiente¶

A continuación, es necesario definir qué variables formarán parte del conjunto de características y cuál será la variable dependiente.

In [ ]:

X = df.drop("selling_price", axis= 1)
y = df["selling_price"].values.reshape(-1, 1)

5.2 Dividimos nuestro conjunto en datos de entrenamiento y test¶

Ahora procederemos a dividir nuestro conjunto de datos en datos de entrenamiento, que serán utilizados para alimentar el modelo durante su proceso de entrenamiento, y datos de prueba, que servirán para evaluar la precisión y el rendimiento del modelo. Utilizaremos una proporción del $75\%$ para los datos de entrenamiento y el $25\%$ restante para los datos de prueba."ara evaluar la precisión y el rendimiento del modelo. Utilizaremos una proporcion de $75\%$ para los datos de entrenamiento y el $25\%$ restante para los datos de prueba

In [ ]:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= 0.25, random_state= 1234, shuffle= True)
print(f"Dimensiones del X_train: {X_train.shape}")
print(f"Dimensiones del X_test: {X_test.shape}")
print(f"Dimensiones del y_train : {y_train.shape}")
print(f"Dimensiones del y_test: {y_test.shape}")

Dimensiones del X_train: (5927, 16)
Dimensiones del X_test: (1976, 16)
Dimensiones del y_train : (5927, 1)
Dimensiones del y_test: (1976, 1)

5.3 Escalamos nuestro conjunto de características¶

La estandarización con el mismo escalador para ambos conjuntos de características, de entrenamiento y prueba, es crucial por varias razones. Primero, garantiza la consistencia en la transformación de las características, asegurando que todas estén en la misma escala. Esto es esencial para mantener la integridad de las relaciones entre las características y evitar sesgos en el modelo.

In [ ]:

escalador = StandardScaler()

X_train_escaled = escalador.fit_transform(X_train)
X_test_escaled = escalador.transform(X_test)

5.4 Entrenamos el modelo¶

In [ ]:

X_train_model = sm.add_constant(data= X_train_escaled, prepend= True)
modelo_reg = sm.OLS(endog= y_train, exog= X_train_model)
modelo_reg = modelo_reg.fit()
print(modelo_reg.summary(xname=["intercept", *X.columns], yname= "selling_price"))

                            OLS Regression Results                            
==============================================================================
Dep. Variable:          selling_price   R-squared:                       0.690
Model:                            OLS   Adj. R-squared:                  0.690
Method:                 Least Squares   F-statistic:                     823.7
Date:                Sun, 14 Apr 2024   Prob (F-statistic):               0.00
Time:                        02:09:24   Log-Likelihood:                -85529.
No. Observations:                5927   AIC:                         1.711e+05
Df Residuals:                    5910   BIC:                         1.712e+05
Df Model:                          16                                         
Covariance Type:            nonrobust                                         
================================================================================================
                                   coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------------------------
intercept                     6.467e+05   5821.207    111.090      0.000    6.35e+05    6.58e+05
year                          1.116e+05   8562.132     13.030      0.000    9.48e+04    1.28e+05
km_driven                     -8.42e+04   7612.686    -11.061      0.000   -9.91e+04   -6.93e+04
mileage                       4.129e+04   9770.371      4.226      0.000    2.21e+04    6.04e+04
engine                        5.249e+04   1.36e+04      3.873      0.000    2.59e+04    7.91e+04
max_power                     4.345e+05   1.05e+04     41.249      0.000    4.14e+05    4.55e+05
seats                        -3.891e+04   8617.303     -4.515      0.000   -5.58e+04    -2.2e+04
seller_type_Individual       -9.239e+04   7019.401    -13.162      0.000   -1.06e+05   -7.86e+04
seller_type_Trustmark Dealer  -5.92e+04   6473.194     -9.145      0.000   -7.19e+04   -4.65e+04
transmission_Manual          -1.576e+05   7502.561    -21.011      0.000   -1.72e+05   -1.43e+05
owner_Fourth & Above Owner   -3886.2986   6074.892     -0.640      0.522   -1.58e+04    8022.710
owner_Second Owner            -1.55e+04   6578.077     -2.357      0.018   -2.84e+04   -2607.318
owner_Test Drive Car          4.572e+04   5839.658      7.829      0.000    3.43e+04    5.72e+04
owner_Third Owner            -2083.7035   6378.501     -0.327      0.744   -1.46e+04    1.04e+04
fuel_CNG                      2379.1552   5882.557      0.404      0.686   -9152.806    1.39e+04
fuel_LPG                      1.218e+04   5911.232      2.060      0.039     588.041    2.38e+04
fuel_Petrol                  -3.906e+04   8596.061     -4.544      0.000   -5.59e+04   -2.22e+04
==============================================================================
Omnibus:                     3059.688   Durbin-Watson:                   2.035
Prob(Omnibus):                  0.000   Jarque-Bera (JB):            44411.144
Skew:                           2.124   Prob(JB):                         0.00
Kurtosis:                      15.720   Cond. No.                         4.84
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

El coeficiente de determinación ( R^2 ) es de 0.690, lo que indica que el modelo es capaz de explicar el 69% de la variabilidad de la variable dependiente mediante las variables incluidas en el modelo. El (R^2) ajustado, que se refiere al coeficiente de determinación ajustado al número de variables independientes, en este caso es el mismo valor.
El estadístico F se utiliza para evaluar la significancia general del modelo. En este caso, el valor F es 823.7, con un valor p asociado (Prob(F-statistic)) muy cercano a cero, lo que indica que el modelo en general es significativo. Esto implica que al menos un predictor contribuye al modelo de manera significativa.
Cada coeficiente representa el cambio esperado en la variable dependiente (selling_price) por un cambio de una unidad en la variable independiente correspondiente, manteniendo todas las demás variables constantes. Por ejemplo, el coeficiente para year es $1.116e+05$, lo que indica que, en promedio, por cada año adicional del vehículo, el precio de venta aumenta en aproximadamente 116,050 unidades.
( P>|t| ): Estos valores son los valores p asociados a las pruebas t individuales para cada coeficiente del modelo. Indican si cada coeficiente es significativamente diferente de cero. Por ejemplo, para el coeficiente de "year", el valor p es prácticamente cero, lo que indica que es altamente significativo. Por otra parte, por ejemplo, la variable "owner_Third Owner" tiene un valor p mayor al nivel de significancia (generalmente 0.05), lo que sugiere que esa variable no es significativa para el modelo. Se podría eliminar sin afectar la precisión del modelo en su conjunto.
El Omnibus, Durbin-Watson, Jarque-Bera, Skew y Kurtosis son estadísticas de diagnóstico para evaluar la validez de los supuestos del modelo. En este caso, se observa que el modelo no cumple totalmente con todas las suposiciones de la regresión lineal, ya que hay signos de problemas de distribución de errores y autocorrelación. Por lo tanto, se debe considerar cuidadosamente las suposiciones del modelo.

Métricas de Ajuste de Bondad¶

A continuación hallaremos las métricas de ajuste de bondad del modelo MSE, RMSE, MAE, y el Coeficiente de Determinación (R^2) de los datos de prueba.

In [ ]:

# Hallamos los valores de y_test
X_test_model = sm.add_constant(data= X_test_escaled, prepend= True)

# Calculamos las predicciones del modelo creado
predicciones_y_test = modelo_reg.predict(exog= X_test_model)

In [ ]:

# Creamos una funcion donde Hallamos todas las metricas de bondad de ajuste del modelo y lo llamamos
# ==============================================================================
def metricas (y_test: list, predicciones_y_test: list) -> pd.DataFrame:

    r2_score = metrics.r2_score(y_true = y_test, y_pred= predicciones_y_test)
    mse = metrics.mean_squared_error(y_true= y_test, y_pred= predicciones_y_test, squared= True)
    rmse = np.sqrt(mse)
    mae = metrics.mean_absolute_error(y_true= y_test, y_pred= predicciones_y_test)
    m = metrics.max_error(y_true= y_test, y_pred= predicciones_y_test)

    # Mostramos un DataFrame donde colocamos lso datos para ese modelo de regresion
    return pd.DataFrame([r2_score, mse, rmse, mae, m], index= ["R2_score", "MSE", "RMSE", "MAE", "M"], columns= ["Modelo_reg"])

metricas(y_test, predicciones_y_test)

Out[ ]:

	Modelo_reg
R2_score	6.734570e-01
MSE	2.166377e+11
RMSE	4.654436e+05
MAE	2.837297e+05
M	3.674468e+06

In [ ]:

fig, axes = plt.subplots(nrows= 1, ncols= 1, figsize= (8, 6))
sns.scatterplot(ax= axes, x=y_test.reshape(-1), y= predicciones_y_test)
axes.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], color= "red", linewidth= 2, linestyle= "dashed")
axes.set_xlabel("Valores reales")
axes.set_ylabel("Valores predichos")
axes.set_title("Valores reales vs Valores predichos");

Aunque el modelo de regresión lineal utilizado exhibe un coeficiente de determinación (R^2) de 0.69, lo que indica que el modelo puede explicar el 69% de la variabilidad de la variable dependiente a través del conjunto de características, existe la posibilidad de explorar otros modelos que potencialmente puedan explicar un porcentaje mayor de esta variabilidad. La implementación de modelos como la regresión polinómica, regresión Ridge o Lasso, entre otros, podría ofrecer una mayor precisión en las predicciones, lo que supondría una mejora en la capacidad de explicación del fenómeno estudiado.

Referencias Bibliográficas:¶

Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2006). Analisis de los datos cuantitativos. Metodología de la investigación, 6, 270-335.
Abuín, J. R. (2007). Regresión lineal múltiple. IdEyGdM-Ld Estadística, Editor, 32
Laguna, C. (2014). Correlación y regresión lineal. Instituto Aragonés de Ciencias de la Salud, 4, 1-18.
Garriga Trillo, A. J. (2009). Introducción al análisis de datos. UNED - Universidad Nacional de Educación a Distancia.
Minguillón, J. Casas, J. y Minguillón, J. (2017). Minería de datos: modelos y algoritmos. Editorial UOC.

Buscar este blog

Analisis De Datos

Predicción de Precio de Vehículos - Análisis Exploratorio de Datos (EDA) y Regresión Lineal Múltiple

Predicción Precio Vehículos - Regresión Lineal¶

Librerías¶

1. Descripción del Problema¶

2. Análisis Exploratorio de Datos¶

2.1 Ingresamos los datos que vamos a utilizar"¶

2.2 Resumen de los datos¶

2.3 Valores Faltantes¶

2.4 Transformación de Características¶

2.5 Valores Atípicos¶

2.6 Análisis Univariable de Variables Numéricas¶

2.7 Analisis Univariable de variables Categoricas¶

2.8 Análisis Bivariado - Variables Numéricas¶

Análisis Bivariado - Variables Categóricas¶

Análisis Multivariado¶

3. Codificación de Variables Categóricas¶

4. Análisis de Correlación¶

5. Construcción del modelo de regresión lineal¶

5.1 Conjunto de variables independientes y la variable dependiente¶

5.2 Dividimos nuestro conjunto en datos de entrenamiento y test¶

5.3 Escalamos nuestro conjunto de características¶

5.4 Entrenamos el modelo¶

Métricas de Ajuste de Bondad¶

Referencias Bibliográficas:¶

Comentarios

Publicar un comentario

Entradas más populares de este blog

Clasificación de Diabetes - Análisis Exploratorio de Datos (EDA)

Clientes Restaurante - Análisis Exploratorio de Datos (EDA)