توقع درجة الائتمان

1. استيراد المكتبات

يتم استيراد المكتبات الأساسية لمعالجة البيانات، والتصور البياني، وتدريب النموذج، وتقييمه.

2. تحميل مجموعة البيانات

يتم قراءة ملف "Credit Score Classification Dataset1.csv" وتحويله إلى DataFrame باستخدام pandas.

يتم عرض أول بضعة صفوف باستخدام .head().

3. استكشاف البيانات

طباعة معلومات مجموعة البيانات باستخدام .info().

عرض الملخص الإحصائي باستخدام .describe().

4. تحليل البيانات الاستكشافي

يتم عرض توزيع الأعمدة الفئوية باستخدام مخططات count و توزيع الأعمدة العددية باستخدام مخططات histogram.

يتم حساب الارتباط بين الأعمدة العددية وعرضه باستخدام Heatmap.

5. تحويل البيانات الفئوية إلى قيم رقمية

يتم تحويل الأعمدة الفئوية مثل الجنس، التعليم، الحالة الاجتماعية، وملكية المنزل إلى قيم رقمية باستخدام LabelEncoder.

يتم أيضًا تحويل القيم الفئوية في عمود الهدف "Credit Score" إلى قيم رقمية (مثل "High", "Low", "Average").

6. تقسيم البيانات إلى تدريب واختبار

يتم تقسيم البيانات إلى 80% للتدريب و 20% للاختبار باستخدام train_test_split().

7. تدريب النموذج

يتم استخدام RandomForestClassifier لتدريب النموذج على X_train و y_train.

8. إجراء التنبؤات

يتم توقع درجات الائتمان باستخدام X_test.

9. تقييم أداء النموذج

يتم حساب:

الدقة (Accuracy)

الدقة النوعية (Precision)

الاسترجاع (Recall)

معدل F1-score

التقرير التفصيلي للتصنيف (Classification Report)

10. مصفوفة الالتباس (Confusion Matrix)

يتم عرض مصفوفة الالتباس لتوضيح الفئات المتوقعة مقابل الفئات الحقيقية.

11. تحليل أهمية الميزات

يتم تحديد أهمية الميزات من خلال الترتيب حسب الأهمية باستخدام feature_importances_ وعرضها باستخدام مخطط شريطي.

12. حفظ النموذج

يتم حفظ النموذج المدرب باستخدام joblib لاستخدامه لاحقًا.