House Prediction

قمت بتنفيذ مشروع للتنبؤ بأسعار المنازل باستخدام تقنيات Machine Learning، بهدف تقدير سعر أي منزل بناءً على مجموعة من الخصائص.

هدف المشروع

التنبؤ بسعر المنزل بدقة

مساعدة المستخدم أو المستثمر في اتخاذ قرار الشراء أو البيع

فهم العوامل التي تؤثر على الأسعار

البيانات المستخدمة

البيانات تحتوي على خصائص مثل:

المساحة (Area)

عدد الغرف (BHK)

عدد الحمامات

الموقع (Location)

عدد الأدوار

عمر العقار

الأدوات المستخدمة

Python

Pandas → لمعالجة البيانات

NumPy → العمليات الحسابية

Seaborn / Matplotlib → Visualization

Scikit-learn → بناء الموديلات

خطوات العمل

1. Data Preprocessing

تنظيف البيانات (حذف القيم الناقصة)

إزالة القيم الشاذة (Outliers)

تحويل البيانات النصية إلى أرقام (Encoding)

2. Data Analysis

تحليل العلاقة بين المتغيرات

استخدام الرسومات لفهم البيانات

معرفة أهم العوامل المؤثرة في السعر

3. Feature Engineering

إنشاء Features جديدة مثل:

السعر لكل متر

عدد الغرف بالنسبة للمساحة

4. Model Building

قمت بتجربة أكثر من نموذج:

Linear Regression

Lasso

Ridge

Polynomial Regression

5. Model Evaluation

استخدمت:

R² Score → لقياس جودة النموذج

MSE → لقياس الخطأ

6. Prediction

إدخال بيانات منزل جديد

النموذج يتنبأ بالسعر المتوقع

التحديات

وجود Outliers أثرت على النتائج

التعامل مع البيانات غير المتوازنة

اختيار أفضل نموذج

النتائج

حصلت على نموذج بدقة جيدة (R² عالي)

تمكنت من التنبؤ بأسعار قريبة من الواقع

الخلاصة

المشروع ساعدني على:

فهم Regression Models بشكل عملي

تحسين مهارات Data Preprocessing

التعامل مع بيانات حقيقية