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