RentSense

RentSense — прогноз “справедливой” аренды и поиск переоценённых/недооценённых объявлений.

Что делает проект:

• Загружает ./data/immo_data.csv
• Делает краткий профиль + EDA и сохраняет картинки в ./artifacts/
• Обучает 2 модели: Ridge (baseline) + HistGBR (strong) с log1p-трансформацией таргета
• Считает метрики MAE/RMSE/MAPE/R², а также метрики по ценовым сегментам
• Строит permutation importance
• Помечает объявления как overpriced/underpriced/ok по правилам (процент + евро)
• Сохраняет артефакты: модель, таблицы, графики, примеры

Быстрый старт

1. Положи датасет:

data/immo_data.csv

2. Установи зависимости:

python -m venv .venv
# windows: .venv\Scripts\activate
# linux/mac: source .venv/bin/activate
pip install -e .

3. Обучение и артефакты:

rentsense train --data data/immo_data.csv --artifacts artifacts --split random --fast

4. Скоринг новых объявлений:

rentsense score --model artifacts/best_model.joblib --input data/immo_data.csv --out artifacts/scored.csv

Streamlit демо

streamlit run app/streamlit_app.py

API + метрики (SRE-обвязка)

uvicorn service.api:app --host 0.0.0.0 --port 8000
# /health
# /score
# /metrics  (Prometheus)

Docker

docker compose up --build

Артефакты

После train в artifacts/ появятся:

• metrics.csv
• metrics_by_segment.csv
• missing_top30.csv
• eda_*.png
• feature_importance_top20.csv/png
• examples_overpriced_top10.csv
• examples_underpriced_top10.csv
• pred_vs_true.png
• best_model.joblib
• run_metadata.json