التنبؤ بأسعار السيارات باستخدام Machine Learning

في هذا المشروع قمت ببناء نموذج Machine Learning للتنبؤ بأسعار السيارات بناءً على مجموعة من الخصائص مثل الشركة المصنعة، سنة الإنتاج، نوع الوقود، سعة المحرك، وعدد الكيلومترات المقطوعة.

الهدف من المشروع هو تحليل البيانات واستخراج الأنماط التي تؤثر على سعر السيارة ثم استخدام نماذج تعلم الآلة للتنبؤ بالسعر المتوقع بدقة.

خطوات العمل

تم تنفيذ المشروع عبر عدة مراحل أساسية في علم البيانات:

استكشاف البيانات (EDA)

تحليل هيكل البيانات

دراسة توزيع المتغيرات

تحليل أكثر الشركات المصنعة انتشارًا

مقارنة متوسط الأسعار بين الشركات

تنظيف البيانات (Data Cleaning)

إزالة القيم المكررة

معالجة القيم غير الصحيحة

تحويل الأعمدة إلى الصيغ المناسبة

هندسة الخصائص (Feature Engineering)

إنشاء متغير Age من سنة الإنتاج

تنظيف بيانات المحرك والمسافة المقطوعة

معالجة القيم الشاذة (Outliers)

استخدام طريقة IQR لاكتشاف القيم المتطرفة

تحويل البيانات

تحويل المتغيرات الفئوية إلى أرقام باستخدام Label Encoding

النماذج المستخدمة

تم تجربة عدة نماذج للتنبؤ بالسعر:

Linear Regression

Decision Tree Regressor

Random Forest Regressor

Gradient Boosting Regressor

XGBoost Regressor

تقييم النماذج

تم تقييم النماذج باستخدام:

R² Score

RMSE

وتمت مقارنة النتائج لاختيار أفضل نموذج.

? أفضل نموذج

حقق نموذج Gradient Boosting Regressor أفضل أداء في التنبؤ بأسعار السيارات.

? الأدوات المستخدمة

Python

Pandas

NumPy

Matplotlib

Seaborn

Scikit-learn

XGBoost