تصميم نموذج ذكاء اصطناعي لتوقع اسعار المنازل

مشروع التنبؤ بأسعار المنازل – House Price Prediction

قمت بتنفيذ مشروع تنبؤ بأسعار المنازل ضمن تدريب NTI – Machine Learning Track، بهدف بناء نموذج تعلم آلة قادر على توقع سعر المنزل اعتمادًا على مجموعة من الخصائص مثل المساحة، عدد الغرف، الموقع، وغيرها من العوامل المؤثرة.

مراحل تنفيذ المشروع:

استكشاف البيانات (EDA):

تحليل توزيع الأسعار والمتغيرات المؤثرة.

اكتشاف القيم المفقودة والقيم الشاذة (Outliers).

دراسة الارتباط بين المتغيرات باستخدام معامل الارتباط.

معالجة البيانات (Data Preprocessing):

التعامل مع القيم المفقودة.

تحويل المتغيرات النصية إلى رقمية (Encoding).

عمل Feature Scaling لتحسين أداء النموذج.

اختيار أهم الخصائص المؤثرة على السعر.

بناء النماذج (Modeling):

Linear Regression

Ridge / Lasso Regression

Decision Tree Regressor

Random Forest Regressor

تقييم الأداء:

استخدام مقاييس مثل:

MAE (Mean Absolute Error)

MSE (Mean Squared Error)

R² Score

مقارنة النماذج واختيار الأفضل بناءً على الأداء.

الأدوات المستخدمة:

Python

Pandas & NumPy

Matplotlib & Seaborn

Scikit-Learn

النتائج:

تم الوصول إلى نموذج يقدم تنبؤات دقيقة نسبيًا بأسعار المنازل مع تحقيق قيمة R² جيدة، مما يعكس قدرة النموذج على تفسير نسبة كبيرة من التباين في الأسعار.