توقع شدة الحوادث – تحليل بيانات الحوادث باستخدام Machine Learning 🚦

أقدم مشروع توقع شدة الحوادث المرورية باستخدام Machine Learning لتقديم تنبؤات دقيقة تساعد في تحليل الحوادث واتخاذ إجراءات وقائية. الخدمة تشمل: دمج وتنظيف البيانات (Data Cleaning): دمج ثلاثة مجموعات بيانات: الحوادث (Accidents)، الإصابات (Casualties)، والمركبات (Vehicles) لعام 2018 في المملكة المتحدة، والتعامل مع القيم المفقودة والقيم الغريبة. تحضير البيانات (Preprocessing): الترميز للمتغيرات الفئوية باستخدام LabelEncoder، معالجة القيم العددية وتطبيعها عند الحاجة، استخراج ميزات التاريخ والوقت. تحليل البيانات واستكشافها (EDA & Visualization): الرسوم البيانية، المخططات الصندوقية، المخططات الشريطية، العلاقات بين الميزات وشدة الحوادث، ومراجعة القيم الشاذة. بناء وتدريب النماذج (Model Training): تطبيق عدة نماذج Machine Learning مثل: Logistic Regression, Random Forest, Decision Tree, Gradient Boosting, XGBoost, CatBoost, LightGBM وغيرها. تقييم النموذج (Evaluation): باستخدام Accuracy, Precision, Recall, F1-score, Confusion Matrix, وROC Curve. تسليم الملفات: تشمل الكود الكامل، النماذج المدربة، وتقارير تحليل البيانات والتصورات. البيانات المستخدمة: Accidents_2018.csv – تفاصيل الحوادث Casualties_2018.csv – معلومات الإصابات Vehicles_2018.csv – تفاصيل المركبات المشاركة الهدف (Target): Accident_Severity (القيم: 1 = الأقل خطورة، 3 = الأكثر خطورة)