تعلم الآلة: تحسين أداء نموذج الانحدار الخطي لتوقع أسعار العقارات ?

في هذا المشروع، قمت ببناء نموذج تعلم آلي (Machine Learning) يعتمد على خوارزمية الانحدار الخطي (Linear Regression) لتوقع أسعار العقارات في ولاية كاليفورنيا. كان التحدي الأساسي هو تجاوز نسبة دقة 61%، حيث أن البيانات الخام كانت تعطي دقة تقارب 57% فقط. للوصول إلى الهدف المطلوب، ركزت بشكل كبير على معالجة البيانات من خلال إجراء تحليل استكشافي (EDA) وتنظيف البيانات للتخلص من القيم الشاذة (Outliers) التي تؤثر سلباً على أداء النموذج. كما قمت بتطبيق تقنيات "هندسة الميزات" (Feature Engineering) لإنشاء متغيرات جديدة أكثر فاعلية، مثل حساب نسبة غرف النوم، وتطبيق التحويلات اللوغاريتمية لتسوية توزيع البيانات (Log Transformation)، بالإضافة إلى حساب المسافة الجغرافية لأهم المدن الحيوية مثل سان فرانسيسكو ولوس أنجلوس. بفضل هذه الخطوات الاستراتيجية، تمكنت من تحسين أداء النموذج وتجاوز الدقة المستهدفة بنجاح، مما يثبت عملياً أن جودة البيانات ومعالجتها الذكية تلعب دوراً يفوق في أهميته تعقيد الخوارزمية المستخدمة.