Ames Housing — Pipeline ML End-to-End

Pipeline didattica e production-friendly che, a partire dal dataset originale di De Cock (2011), costruisce un sistema completo di stima del prezzo di vendita: data wrangling → feature engineering → preprocessing → tre modelli candidati (Ridge, Random Forest, XGBoost) → tuning K-fold → valutazione su holdout → inferenza tramite predict_price().

:::tip In una riga Da CSV grezzo a predict_price() con pochi comandi e zero leakage. :::

Repository GitHub

Item	Link
Repo	fedcal/ames-housing-price-pipeline
Documentazione	https://fedcal.github.io/ames-housing-price-pipeline/
Licenza	MIT
Stack docs	Docusaurus 3 + TypeScript + KaTeX

Risultati di riferimento (full tuning)

Modello	RMSE ($)	MAE ($)	R²	RMSE-log	MAPE
XGBoost	$18,350	$11,939	0.9471	0.1055	7.19%
Ridge	$18,509	$12,470	0.9461	0.1075	7.59%
RandomForest	$20,825	$13,265	0.9318	0.1144	7.90%

XGBoost vince sul holdout per ~1%; in cross-validation Ridge è marginalmente migliore. La differenza è nel rumore: su Ames il preprocessing accurato pesa più della scelta del modello.

Quick start

git clone https://github.com/fedcal/ames-housing-price-pipeline.git
cd ames-housing-price-pipeline
python3 -m venv venv && source venv/bin/activate
pip install -e ".[notebooks]"

ames-train              # full tuning ~5-10 min
ames-train --quick      # smoke test ~30s

Inferenza programmatica:

from ames_pipeline.inference import predict_price

casa = {
    "OverallQual": 7,
    "GrLivArea": 1800,
    "Neighborhood": "CollgCr",
    "YearBuilt": 2005,
    "TotalBsmtSF": 900,
    "GarageArea": 480,
}
print(f"${predict_price(casa):,.0f}")
# ~$248,000

Mappa della documentazione

Teoria

Cinque articoli che costruiscono progressivamente i concetti necessari a leggere il progetto:

1. Regressione & target log — perché OLS, perché log-trasformare il prezzo.
2. Regolarizzazione — Ridge, Lasso, ElasticNet.
3. Random Forest & Boosting — perché i tree-based dominano su tabular.
4. Metriche di regressione — RMSE, MAE, MAPE, R².
5. Pipeline & data leakage — Pipeline sklearn, prevenzione leakage.

Scelte tecniche

Decisioni architetturali e razionali documentati:

• Architettura — moduli, flusso dati, CLI.
• Scelte di modellazione — trade-off espliciti.

Stack tecnologico

Layer	Tecnologie
Linguaggio	Python 3.12
ML	scikit-learn, xgboost
Data	pandas, numpy
Plotting	matplotlib, seaborn
Notebook	jupyter, jupytext
Persistenza	joblib
Documentazione	Docusaurus 3 + TypeScript + KaTeX
CI/CD	GitHub Actions + GitHub Pages

Autore

Progetto realizzato da Federico Calò come parte del percorso Machine Learning Engineer di DataMasters/Skiller.

Per altri progetti, articoli e contatti: federicocalo.dev.