Medical-Charges-Prediction

تطوير نظام تنبؤي متقدم يعتمد على خوارزميات تعلم الآلة لتقدير تكاليف التأمين الطبي للأفراد بناءً على عوامل ديموغرافية وصحية (مثل العمر، مؤشر كتلة الجسم، التدخين، والمنطقة الجغرافية)، بهدف مساعدة شركات التأمين على تسعير البوليصات بدقة.

أبرز المهام التقنية:

تحليل البيانات وتجهيزها: إجراء هندسة البيانات (Feature Engineering) ومعالجة المتغيرات النوعية (Categorical Data) لضمان توافقها مع خوارزميات التنبؤ الرقمي.

المقارنة بين النماذج (Model Comparison): اختبار وتقييم مجموعة واسعة من خوارزميات الانحدار (Regression Models) تشمل:

Linear Regression, Ridge, Lasso, SVR.

تقنيات التعلم التجميعي (Ensemble Learning) مثل Random Forest و Gradient Boosting.

التقييم والاختيار: استخدام مقاييس الأداء العالمية (MSE & R² Score) للمقارنة بين النماذج، حيث حقق نموذج Gradient Boosting أفضل أداء بدقة تنبؤية وصلت إلى 90% (R² Score).

النشر والتطوير (Deployment): حفظ النموذج الأفضل باستخدام مكتبة Joblib وتطوير واجهة مستخدم تفاعلية باستخدام Streamlit لإدخال البيانات والحصول على التوقعات فورياً.

النتيجة:

بناء أداة تحليلية قوية قادرة على تقديم تقديرات مالية دقيقة، مما يقلل من هامش الخطأ في التوقعات المالية، مع اكتساب مهارة اختيار النموذج الأمثل (Model Selection) بناءً على النتائج التجريبية.