نماذج تعلم آلي لتوقع أسعار السيارات

عملت على مشروع توقع أسعار السيارات باستخدام مجموعة بيانات ضخمة تحتوي على أكثر من 19,000 عينة و28 خاصية مختلفة. تضمن العمل عدة مراحل رئيسية: معالجة البيانات: التعامل مع القيم المفقودة وتنظيف البيانات. تجهيز الخصائص لاستخدامها في النماذج الإحصائية وخوارزميات التعلم الآلي. تطوير نماذج الانحدار: الانحدار الخطي (Linear Regression): لبناء نموذج بسيط يعتمد على علاقة خطية بين المتغيرات. انحدار الجار الأقرب (K-Nearest Neighbors Regression): لبناء نموذج أكثر مرونة يعتمد على أقرب النقاط. XGBoost Regressor: كنموذج متقدم لتعزيز النتائج وزيادة دقة التوقعات. تقييم النماذج: تم استخدام معايير تقييم مختلفة مثل: متوسط الخطأ المطلق (MAE) متوسط مربع الخطأ (MSE) معامل التحديد (R-squared) نتائج الأداء: نموذج XGBoost Regressor حقق أفضل أداء مقارنة بباقي النماذج: MAE: 3179 MSE: 24,318,060 R²: 0.85 مما يدل على قدرة النموذج العالية في توقع أسعار السيارات بدقة ممتازة. التقنيات والأدوات المستخدمة: Python Scikit-Learn XGBoost Pandas & NumPy Matplotlib & Seaborn للاطلاع على الكود المصدري، يمكن زيارة مستودع المشروع على GitHub عبر رابط العمل.