تحليل ومقارنة أداء خوارزميات التعلم الآلي (ML Model Comparison)

نبذة عن المشروع: يهدف هذا المشروع إلى تحليل مجموعة بيانات وبناء نماذج تنبؤية (Classification Models) للمفاضلة بين الخوارزميات المختلفة واختيار الأكثر دقة وكفاءة للتعامل مع البيانات.

الخطوات والتقنيات المستخدمة:

معالجة البيانات (Data Preprocessing): تنظيف البيانات وتجهيزها للتدريب.

تقليل الأبعاد (Dimensionality Reduction): استخدام تقنية PCA لتقليل تعقيد البيانات وتحسين سرعة المعالجة لبعض النماذج.

تحسين النماذج (Hyperparameter Tuning): استخدام Grid Search للبحث عن أفضل القيم للمتغيرات (Parameters) للحصول على أفضل أداء ممكن.

الخوارزميات المستخدمة: تم تدريب واختبار مجموعة متنوعة من الخوارزميات، منها:

Logistic Regression

Random Forest

K-Nearest Neighbors (KNN)

Support Vector Machines (SVM)

Decision Trees

التقييم والعرض (Evaluation & Visualization): مقارنة النتائج بناءً على دقة النموذج (Accuracy)، وتمثيل النتائج بيانيًا باستخدام مكتبة Seaborn لتسهيل اتخاذ القرار.

النتائج: أظهرت النتائج تفوق نموذج Logistic Regression في هذه الحالة بدقة تصل إلى 80%، مما يجعله الخيار الأمثل لهذه البيانات، مع تقارب ملحوظ في أداء Random Forest.

الأدوات: Python, Pandas, Scikit-Learn, Matplotlib, Seaborn.