Prevedere il prezzo d'affitto di una casa con il Deep Learning e Python

L'affitto di una casa dipende da molti fattori. Con dati appropriati e tecniche di deep Learning, molte piattaforme immobiliari trovano le opzioni abitative in base al budget del cliente. Quindi, se vuoi imparare come utilizzare il deep Learning per prevedere il prezzo d'affitto di una casa, questo articolo è per te. In questo articolo, ti guiderò attraverso l'attività di previsione dell'affitto di case con l'apprendimento profondo utilizzando Python.

Il costo di una casa può variare a seconda della posizione, delle dimensioni e del numero di stanze. Un altro fattore che può cambiare il costo di una casa è il tipo di materiale da costruzione. Ad esempio, le case in mattoni costeranno di più rispetto alle case in legno. Il costo di una casa può dipendere anche dal numero di camere da letto e bagni. Ad esempio, una casa con due camere da letto costerà più di una casa con una camera da letto. Il costo di una casa varierà anche a seconda del tipo di finestre e della quantità di isolamento. Ad esempio, una casa con molte finestre sarà più costosa di una con poche finestre. Il costo di una casa varierà anche a seconda della vista.

Il deep learning è una branca dell'intelligenza artificiale che studia l'uso dei computer per imitare il comportamento umano intelligente. È utilizzato in molti settori, come il servizio clienti, l'e-commerce, l'istruzione e l'assistenza sanitaria. Un'applicazione comune dell'intelligenza artificiale è l'uso dell'apprendimento automatico per prevedere il costo futuro di una casa. L'idea è quella di creare un modello in grado di utilizzare i dati di mercato attuali per prevedere il costo futuro di una casa. Questo tipo di modello è chiamato modello di regressione. Il modello utilizzerà i dati attuali per prevedere il valore futuro di una casa. Ad esempio, il modello può utilizzare il numero medio di giorni in cui le case restano sul mercato prima di vendere per prevedere per quanto tempo le case rimarranno sul mercato prima di vendere.

L'affitto di una proprietà abitativa dipende da molti fattori come:

Per costruire un sistema di previsione dell'affitto di una casa, abbiamo bisogno di dati basati sui fattori che influenzano l'affitto di una proprietà abitativa. Ho trovato un set di dati di Kaggle che include tutte le funzionalità di cui abbiamo bisogno. È possibile scaricare il set di dati da qui . NON ABBIAMO TROVATO DATASET ITALIANI, ma se ne conoscete qualcuno postatelo nei commenti !

Inizierò l'attività di previsione dell'affitto della casa importando le librerie Python necessarie e il set di dati :

import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
 import plotly.express as px
 import plotly.graph_objects as go
 
 data = pd.read_csv("House_Rent_Dataset.csv")
 print(data.head())
 
 

Output:

Posted On BHK Rent Size Floor Area Type \
 0 2022-05-18 2 10000 1100 Ground out of 2 Super Area
 1 2022-05-13 2 20000 800 1 out of 3 Super Area
 2 2022-05-16 2 17000 1000 1 out of 3 Super Area
 3 2022-07-04 2 10000 800 1 out of 2 Super Area
 4 2022-05-09 2 7500 850 1 out of 2 Carpet Area
 
  Area Locality City Furnishing Status Tenant Preferred \
 0 Bandel Kolkata Unfurnished Bachelors/Family
 1 Phool Bagan, Kankurgachi Kolkata Semi-Furnished Bachelors/Family
 2 Salt Lake City Sector 2 Kolkata Semi-Furnished Bachelors/Family
 3 Dumdum Park Kolkata Unfurnished Bachelors/Family
 4 South Dum Dum Kolkata Unfurnished Bachelors
 
  Bathroom Point of Contact
 0 2 Contact Owner
 1 1 Contact Owner
 2 1 Contact Owner
 3 1 Contact Owner
 4 1 Contact Owner

Prima di andare avanti, controlliamo se i dati contengono valori null o meno:

print(data.isnull().sum())

Output:

Posted On 0
 BHK 0
 Rent 0
 Size 0
 Floor 0
 Area Type 0
 Area Locality 0
 City 0
 Furnishing Status 0
 Tenant Preferred 0
 Bathroom 0
 Point of Contact 0
 dtype: int64

Diamo un'occhiata alle statistiche descrittive dei dati:

print(data.describe())

BHK Rent Size Bathroom
 count 4746.000000 4.746000e+03 4746.000000 4746.000000
 mean 2.083860 3.499345e+04 967.490729 1.965866
 std 0.832256 7.810641e+04 634.202328 0.884532
 min 1.000000 1.200000e+03 10.000000 1.000000
 25% 2.000000 1.000000e+04 550.000000 1.000000
 50% 2.000000 1.600000e+04 850.000000 2.000000
 75% 3.000000 3.300000e+04 1200.000000 2.000000
 max 6.000000 3.500000e+06 8000.000000 10.000000

Ora diamo un'occhiata all'affitto medio, mediano, più alto e più basso delle case:

print(f"Mean Rent: {data.Rent.mean()}")
 print(f"Median Rent: {data.Rent.median()}")
 print(f"Highest Rent: {data.Rent.max()}")
 print(f"Lowest Rent: {data.Rent.min()}")

Output:

Mean Rent: 34993.45132743363
 Median Rent: 16000.0
 Highest Rent: 3500000
 Lowest Rent: 1200

Ora diamo un'occhiata all'affitto delle case nelle diverse città in base al numero di camere da letto, corridoi e cucine:

figure = px.bar(data, x=data["City"],
  y = data["Rent"],
  color = data["BHK"],
  title="Rent in Different Cities According to BHK")
 figure.show()

Ora diamo un'occhiata agli affitti delle case nelle diverse città a seconda della tipologia di zona:

figure = px.bar(data, x=data["City"],
  y = data["Rent"],
  color = data["Area Type"],
  title="Rent in Different Cities According to Area Type")
 figure.show()

Diamo un'occhiata all'affitto delle case nelle diverse città in base allo stato di arredo della casa:

figure = px.bar(data, x=data["City"],
  y = data["Rent"],
  color = data["Furnishing Status"],
  title="Rent in Different Cities According to Furnishing Status")
 figure.show()

Ora diamo un'occhiata all'affitto delle case nelle diverse città in base alle dimensioni della casa:

figure = px.bar(data, x=data["City"],
  y = data["Rent"],
  color = data["Size"],
  title="Rent in Different Cities According to Size")
 figure.show()

Diamo un'occhiata al numero di case disponibili in affitto in diverse città in base al set di dati:

cities = data["City"].value_counts()
 label = cities.index
 counts = cities.values
 colors = ['gold','lightgreen']
 
 fig = go.Figure(data=[go.Pie(labels=label, values=counts, hole=0.5)])
 fig.update_layout(title_text='Number of Houses Available for Rent')
 fig.update_traces(hoverinfo='label+percent', textinfo='value', textfont_size=30,
  marker=dict(colors=colors, line=dict(color='black', width=3)))
 fig.show()

Ora diamo un'occhiata al numero di case disponibili per i diversi tipi di inquilini:

# Preferenza dell'inquilino
 tenant = data["Tenant Preferred"].value_counts()
 label = tenant.index
 counts = tenant.values
 colors = ['gold','lightgreen']
 
 fig = go.Figure(data=[go.Pie(labels=label, values=counts, hole=0.5)])
 fig.update_layout(title_text='Preference of Tenant in India')
 fig.update_traces(hoverinfo='label+percent', textinfo='value', textfont_size=30,
  marker=dict(colors=colors, line=dict(color='black', width=3)))
 fig.show()

Ora convertirò tutte le caratteristiche categoriali in caratteristiche numeriche di cui abbiamo bisogno per addestrare un modello di previsione dell'affitto di una casa:

data["Area Type"] = data["Area Type"].map({"Super Area": 1,
  "Carpet Area": 2,
  "Built Area": 3})
 data["City"] = data["City"].map({"Mumbai": 4000, "Chennai": 6000,
  "Bangalore": 5600, "Hyderabad": 5000,
  "Delhi": 1100, "Kolkata": 7000})
 data["Furnishing Status"] = data["Furnishing Status"].map({"Unfurnished": 0,
  "Semi-Furnished": 1,
  "Furnished": 2})
 data["Tenant Preferred"] = data["Tenant Preferred"].map({"Bachelors/Family": 2,
  "Bachelors": 1,
  "Family": 3})
 print(data.head())

Output:

Posted On BHK Rent Size Floor Area Type \
 0 2022-05-18 2 10000 1100 Ground out of 2 1
 1 2022-05-13 2 20000 800 1 out of 3 1
 2 2022-05-16 2 17000 1000 1 out of 3 1
 3 2022-07-04 2 10000 800 1 out of 2 1
 4 2022-05-09 2 7500 850 1 out of 2 2
 
  Area Locality City Furnishing Status Tenant Preferred \
 0 Bandel 7000 0 2
 1 Phool Bagan, Kankurgachi 7000 1 2
 2 Salt Lake City Sector 2 7000 1 2
 3 Dumdum Park 7000 0 2
 4 South Dum Dum 7000 0 1
 
  Bathroom Point of Contact
 0 2 Contact Owner
 1 1 Contact Owner
 2 1 Contact Owner
 3 1 Contact Owner
 4 1 Contact Owner

Ora dividerò i dati in set di allenamento e test:

from sklearn.model_selection import train_test_split
 x = np.array(data[["BHK", "Size", "Area Type", "City",
  "Furnishing Status", "Tenant Preferred",
  "Bathroom"]])
 y = np.array(data[["Rent"]])
 
 xtrain, xtest, ytrain, ytest = train_test_split(x, y,
  test_size=0.10,
  random_state=42)

Ora formiamo un modello di previsione dell'affitto di una casa utilizzando un modello di rete neurale LSTM :

from keras.models import Sequential
 from keras.layers import Dense, LSTM
 model = Sequential()
 model.add(LSTM(128, return_sequences=True,
  input_shape= (xtrain.shape[1], 1)))
 model.add(LSTM(64, return_sequences=False))
 model.add(Dense(25))
 model.add(Dense(1))
 
 model.summary()
 
 

Model: "sequential"
 _________________________________________________________________
  Layer (type) Output Shape Param #
 =================================================================
  lstm (LSTM) (None, 7, 128) 66560
 
  lstm_1 (LSTM) (None, 64) 49408
 
  dense (Dense) (None, 25) 1625
 
  dense_1 (Dense) (None, 1) 26
 
 =================================================================
 Total params: 117,619
 Trainable params: 117,619
 Non-trainable params: 0
 _________________________________________________________________

model.compile(optimizer='adam', loss='mean_squared_error')
 model.fit(xtrain, ytrain, batch_size=1, epochs=21)
 
 

Output:

Epoch 1/21
 4271/4271 [==============================] - 35s 7ms/step - loss: 7038080512.0000
 Epoch 2/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 6481502720.0000
 Epoch 3/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 6180754944.0000
 Epoch 4/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 5968361472.0000
 Epoch 5/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 5770649088.0000
 Epoch 6/21
 4271/4271 [==============================] - 29s 7ms/step - loss: 5618835968.0000
 Epoch 7/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 5440893952.0000
 Epoch 8/21
 4271/4271 [==============================] - 29s 7ms/step - loss: 5341533696.0000
 Epoch 9/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 5182846976.0000
 Epoch 10/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 5106288128.0000
 Epoch 11/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 5076118528.0000
 Epoch 12/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 5001080320.0000
 Epoch 13/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 4941253120.0000
 Epoch 14/21
 4271/4271 [==============================] - 33s 8ms/step - loss: 4904356864.0000
 Epoch 15/21
 4271/4271 [==============================] - 29s 7ms/step - loss: 4854262784.0000
 Epoch 16/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 4855796736.0000
 Epoch 17/21
 4271/4271 [==============================] - 36s 8ms/step - loss: 4764052480.0000
 Epoch 18/21
 4271/4271 [==============================] - 30s 7ms/step - loss: 4709226496.0000
 Epoch 19/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 4702300160.0000
 Epoch 20/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 4670900736.0000
 Epoch 21/21
 4271/4271 [==============================] - 31s 7ms/step - loss: 4755582976.0000
 <keras.callbacks.History at 0x7fd1deb6c9d0>

Ora ecco come prevedere l'affitto di un immobile utilizzando il modello addestrato:

print("Enter House Details to Predict Rent")
 a = int(input("Number of BHK: "))
 b = int(input("Size of the House: "))
 c = int(input("Area Type (Super Area = 1, Carpet Area = 2, Built Area = 3): "))
 d = int(input("Pin Code of the City: "))
 e = int(input("Furnishing Status of the House (Unfurnished = 0, Semi-Furnished = 1, Furnished = 2): "))
 f = int(input("Tenant Type (Bachelors = 1, Bachelors/Family = 2, Only Family = 3): "))
 g = int(input("Number of bathrooms: "))
 features = np.array([[a, b, c, d, e, f, g]])
 print("Predicted House Price = ", model.predict(features))

Output:

Enter House Details to Predict Rent
 Number of BHK: 3
 Size of the House: 1100
 Area Type (Super Area = 1, Carpet Area = 2, Built Area = 3): 2
 Pin Code of the City: 1100
 Furnishing Status of the House (Unfurnished = 0, Semi-Furnished = 1, Furnished = 2): 1
 Tenant Type (Bachelors = 1, Bachelors/Family = 2, Only Family = 3): 3
 Number of bathrooms: 2
 Predicted House Price = [[34922.3]]

Ecco come utilizzare il Deep Learning per prevedere l'affitto di una proprietà abitativa. Con dati appropriati e tecniche di Deep Learning, molte piattaforme immobiliari trovano le opzioni abitative in base al budget del cliente. Spero ti sia piaciuto questo articolo sulla previsione dell'affitto di una casa con deep Learning usando Python. Sentiti libero di porre domande preziose nella sezione commenti qui sotto.