نماذج تعلم آلي لتوقع أسعار السيارات

عملت على مشروع توقع أسعار السيارات باستخدام مجموعة بيانات ضخمة تحتوي على أكثر من 19,000 عينة و28 خاصية مختلفة.

تضمن العمل عدة مراحل رئيسية:

معالجة البيانات:

التعامل مع القيم المفقودة وتنظيف البيانات.

تجهيز الخصائص لاستخدامها في النماذج الإحصائية وخوارزميات التعلم الآلي.

تطوير نماذج الانحدار:

الانحدار الخطي (Linear Regression): لبناء نموذج بسيط يعتمد على علاقة خطية بين المتغيرات.

انحدار الجار الأقرب (K-Nearest Neighbors Regression): لبناء نموذج أكثر مرونة يعتمد على أقرب النقاط.

XGBoost Regressor: كنموذج متقدم لتعزيز النتائج وزيادة دقة التوقعات.

تقييم النماذج:

تم استخدام معايير تقييم مختلفة مثل:

متوسط الخطأ المطلق (MAE)

متوسط مربع الخطأ (MSE)

معامل التحديد (R-squared)

نتائج الأداء:

نموذج XGBoost Regressor حقق أفضل أداء مقارنة بباقي النماذج:

MAE: 3179

MSE: 24,318,060

R²: 0.85

مما يدل على قدرة النموذج العالية في توقع أسعار السيارات بدقة ممتازة.

التقنيات والأدوات المستخدمة:

Python

Scikit-Learn

XGBoost

Pandas & NumPy

Matplotlib & Seaborn

للاطلاع على الكود المصدري، يمكن زيارة مستودع المشروع على GitHub عبر رابط المعاينة.