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