🚗 XGBoost-basierte Fahrzeugpreis-Vorhersage mit Flask Web-Interface

• Generated with ChatGPT+ GPT-Codex-5.2 and VS Code Plugin
• Refined with Google Colab built-in Gemini3 AI

Live Demo auf Render (ca. 2 Minuten Startzeit)

Dieses Projekt implementiert ein Machine Learning Modell zur Vorhersage von Gebrauchtwagenpreisen basierend auf verschiedenen Fahrzeugeigenschaften wie:

• Marke & Modell (Brand, Model)
• Fahrzeugalter (Vehicle Age)
• Kilometerstand (km driven)
• Kraftstofftyp (Fuel Type: Benzin, Diesel, etc.)
• Getriebeart (Transmission: Manuell, Automatik)
• Motorleistung (Engine, Max Power)
• Verbrauch (Mileage)
• Sitzplätze (Seats)

• Python 3.11+
• pip oder uv (empfohlen)

# Repository klonen
git clone https://github.com/your-username/regression-xgboost.git
cd regression-xgboost

# Virtuelle Umgebung erstellen
python -m venv .venv

# Umgebung aktivieren
source .venv/bin/activate  # macOS/Linux
# oder
.venv\Scripts\activate     # Windows

# Abhängigkeiten installieren (mit uv - schneller)
pip install uv
uv pip install -r requirements.txt

# ODER klassisch mit pip
pip install -r requirements.txt

# Flask-App starten
export FLASK_APP=app.py    # macOS/Linux
# set FLASK_APP=app.py     # Windows

flask run --reload

Die App ist dann erreichbar unter: http://127.0.0.1:5000

# gunicorn local standard port 8000 on render 5000 port open on production
gunicorn -w 4 -b 0.0.0.0:5000 app:app 

regression-xgboost/
├── app.py                 # Flask Web-Anwendung
├── requirements.txt       # Python-Abhängigkeiten
├── models/
│   └── xgboost_price_model.json  # Trainiertes XGBoost-Modell
├── templates/
│   ├── base.html          # Basis-Template
│   └── index.html         # Hauptseite mit Formular
├── training/
│   ├── Cars.ipynb         # Jupyter Notebook für Training
│   ├── Cars.py            # Python-Skript für Training
│   ├── Price_Prediction.csv       # Rohdaten
│   ├── PricePredictionCleanedUp.csv  # Bereinigte Daten
│   └── SPEC.md            # Training-Spezifikation
└── legacy/                # Ältere Spezifikationen

Das Modell kann mit dem Jupyter Notebook oder Python-Skript neu trainiert werden:

cd training
jupyter notebook Cars.ipynb

cd training
python Cars.py

Das Modell wird mit folgenden Regressionsmetriken evaluiert:

• MAE (Mean Absolute Error)
• RMSE (Root Mean Squared Error)
• R² (Bestimmtheitsmaß)

• FEATURE_ENGINEERING.md - Feature Engineering Pipeline
• FLASK_SERVER.md - Flask Server Details
• XG_REGRESSION.md - XGBoost Regression Details
• GOOGLE_COLAB.md - Google Colab Anleitung
• REQUIREMENTS.md - Anforderungen

MIT License