مقدمة

في هذه المقالة، سنعرض سير عمل مشروع التعلم الآلي الكامل باستخدام Scikit-Learn. سنبني نموذجًا للتنبؤ بأسعار المساكن في كاليفورنيا استنادًا إلى ميزات مختلفة، مثل متوسط ​​الدخل وعمر المنزل ومتوسط ​​عدد الغرف. سيرشدك هذا المشروع خلال كل خطوة من خطوات العملية، بما في ذلك تحميل البيانات والاستكشاف والتدريب النموذجي والتقييم وتصور النتائج. سواء كنت مبتدئًا يتطلع إلى فهم الأساسيات أو ممارسًا ذو خبرة وتبحث عن تجديد المعلومات، ستوفر لك هذه المقالة رؤى قيمة حول التطبيق العملي لتقنيات التعلم الآلي.

مشروع التنبؤ بأسعار المساكن في كاليفورنيا

1. مقدمة

يشتهر سوق الإسكان في كاليفورنيا بخصائصه الفريدة وديناميكيات التسعير. نهدف في هذا المشروع إلى تطوير نموذج للتعلم الآلي للتنبؤ بأسعار المنازل بناءً على ميزات مختلفة. سنستخدم مجموعة بيانات الإسكان في كاليفورنيا، والتي تتضمن سمات مختلفة مثل متوسط ​​الدخل وعمر المنزل ومتوسط ​​الغرف والمزيد.

2. استيراد المكتبات

في هذا القسم، سنقوم باستيراد المكتبات اللازمة لمعالجة البيانات وتصورها وبناء نموذج التعلم الآلي الخاص بنا.

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.datasets import fetch_california_housing

3. تحميل مجموعة البيانات

سنقوم بتحميل مجموعة بيانات الإسكان في كاليفورنيا وإنشاء DataFrame لتنظيم البيانات. سيتم إضافة المتغير المستهدف، وهو سعر المنزل، كعمود جديد.

# Load the California Housing dataset
california = fetch_california_housing()
df = pd.DataFrame(california.data, columns=california.feature_names)
df['PRICE'] = california.target

4. اختيار العينات بشكل عشوائي

للحفاظ على سهولة التحكم في التحليل، سنختار عشوائيًا 700 عينة من مجموعة البيانات لدراستنا.

# Randomly Selecting 700 Samples
df_sample = df.sample(n=700, random_state=42)

5. النظر إلى بياناتنا

سيقدم هذا القسم نظرة عامة على مجموعة البيانات، ويعرض الصفوف الخمسة الأولى لفهم ميزات بياناتنا وبنيتها.

# Overview of the data
print("First five rows of the dataset:")
print(df_sample.head())

الإخراج

First five rows of the dataset:
       MedInc  HouseAge  AveRooms  AveBedrms  Population  AveOccup  Latitude  \
20046  1.6812      25.0  4.192201   1.022284      1392.0  3.877437     36.06   
3024   2.5313      30.0  5.039384   1.193493      1565.0  2.679795     35.14   
15663  3.4801      52.0  3.977155   1.185877      1310.0  1.360332     37.80   
20484  5.7376      17.0  6.163636   1.020202      1705.0  3.444444     34.28   
9814   3.7250      34.0  5.492991   1.028037      1063.0  2.483645     36.62   

       Longitude    PRICE  
20046    -119.01  0.47700  
3024     -119.46  0.45800  
15663    -122.44  5.00001  
20484    -118.72  2.18600  
9814     -121.93  2.78000  

عرض معلومات إطار البيانات

print(df_sample.info())

الإخراج

Index: 700 entries, 20046 to 5350
Data columns (total 9 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   MedInc      700 non-null    float64
 1   HouseAge    700 non-null    float64
 2   AveRooms    700 non-null    float64
 3   AveBedrms   700 non-null    float64
 4   Population  700 non-null    float64
 5   AveOccup    700 non-null    float64
 6   Latitude    700 non-null    float64
 7   Longitude   700 non-null    float64
 8   PRICE       700 non-null    float64
dtypes: float64(9)
memory usage: 54.7 KB

عرض إحصائيات الملخص

print(df_sample.describe())

الإخراج

           MedInc    HouseAge    AveRooms   AveBedrms   Population  \
count  700.000000  700.000000  700.000000  700.000000   700.000000   
mean     3.937653   28.855714    5.404192    1.079266  1387.422857   
std      2.085831   12.353313    1.848898    0.236318  1027.873659   
min      0.852700    2.000000    2.096692    0.500000     8.000000   
25%      2.576350   18.000000    4.397751    1.005934   781.000000   
50%      3.480000   30.000000    5.145295    1.047086  1159.500000   
75%      4.794625   37.000000    6.098061    1.098656  1666.500000   
max     15.000100   52.000000   36.075472    5.273585  8652.000000   

         AveOccup    Latitude   Longitude       PRICE  
count  700.000000  700.000000  700.000000  700.000000  
mean     2.939913   35.498243 -119.439729    2.082073  
std      0.745525    2.123689    1.956998    1.157855  
min      1.312994   32.590000 -124.150000    0.458000  
25%      2.457560   33.930000 -121.497500    1.218500  
50%      2.834524   34.190000 -118.420000    1.799000  
75%      3.326869   37.592500 -118.007500    2.665500  
max      7.200000   41.790000 -114.590000    5.000010  

6. تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار

سنقوم بفصل مجموعة البيانات إلى ميزات (X) والمتغير المستهدف (y) ثم تقسيمها إلى مجموعات تدريب واختبار لنموذج التدريب والتقييم.

# Splitting the dataset into Train and Test sets
X = df_sample.drop('PRICE', axis=1)  # Features
y = df_sample['PRICE']  # Target variable

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

7. التدريب النموذجي

في هذا القسم، سنقوم بإنشاء وتدريب نموذج الانحدار الخطي باستخدام بيانات التدريب لمعرفة العلاقة بين الميزات وأسعار المنازل.

# Creating and training the Linear Regression model
lr = LinearRegression()
lr.fit(X_train, y_train)

8. تقييم النموذج

سنقوم بعمل تنبؤات على مجموعة الاختبار وحساب متوسط ​​الخطأ التربيعي (MSE) وقيم R-squared لتقييم أداء النموذج.

# Making predictions on the test set
y_pred = lr.predict(X_test)

# Calculating Mean Squared Error
mse = mean_squared_error(y_test, y_pred)
print(f"\nLinear Regression Mean Squared Error: {mse}")

الإخراج

Linear Regression Mean Squared Error: 0.3699851092128846

9. عرض القيم الفعلية مقابل القيم المتوقعة

هنا، سنقوم بإنشاء DataFrame لمقارنة أسعار المنازل الفعلية مع الأسعار المتوقعة الناتجة عن نموذجنا.

# Displaying Actual vs Predicted Values
results = pd.DataFrame({'Actual Prices': y_test.values, 'Predicted Prices': y_pred})
print("\nActual vs Predicted:")
print(results)

الإخراج

Actual vs Predicted:
     Actual Prices  Predicted Prices
0          0.87500          0.887202
1          1.19400          2.445412
2          5.00001          6.249122
3          2.78700          2.743305
4          1.99300          2.794774
..             ...               ...
135        1.62100          2.246041
136        3.52500          2.626354
137        1.91700          1.899090
138        2.27900          2.731436
139        1.73400          2.017134

[140 rows x

 2 columns]

10. تصور النتائج

في القسم الأخير، سنقوم بتصور العلاقة بين أسعار المنازل الفعلية والمتوقعة باستخدام مخطط مبعثر لتقييم أداء النموذج بصريًا.

# Visualizing the Results
plt.figure(figsize=(8, 6))
plt.scatter(y_test, y_pred, color='blue')
plt.xlabel('Actual Prices')
plt.ylabel('Predicted Prices')
plt.title('Actual vs Predicted House Prices')

# Draw the ideal line
plt.plot([0, 6], [0, 6], color='red', linestyle='--')

# Set limits to minimize empty space
plt.xlim(y_test.min() - 1, y_test.max()   1)
plt.ylim(y_test.min() - 1, y_test.max()   1)

plt.grid()
plt.show()

خاتمة

في هذا المشروع، قمنا بتطوير نموذج الانحدار الخطي للتنبؤ بأسعار المساكن في كاليفورنيا بناءً على ميزات مختلفة. تم حساب متوسط ​​الخطأ التربيعي لتقييم أداء النموذج، والذي يوفر مقياسًا كميًا لدقة التنبؤ. ومن خلال التصور، تمكنا من رؤية مدى جودة أداء نموذجنا مقابل القيم الفعلية.

يوضح هذا المشروع قوة التعلم الآلي في التحليلات العقارية ويمكن أن يكون بمثابة أساس لتقنيات النمذجة التنبؤية الأكثر تقدمًا.