regresion new concepts

أرجو في قادم المرات إن كان سؤالك متعلقا بإحدى دورات الأكاديمية أن تقوم بإدراجه أسفل كلّ درس استصعب عليك فهمه أو لديك استفسار حوله، أين ستجد صندوقا للتعليقات مثل الذي هنا، يمكنك إرفاق مجلدات مشروعك أو لقطات شاشة وإرفاق الاستفسار الذي لديك وسنجيبك بكلّ صدر رحب.

بالنسبة للشيفرة التي تظهر في الصورة فعلى ما يبدو هي لمشروع التنبؤ بأسعار الماس من موقع كاغل والمكتبات الأساسية هي كالتالي:

import joblib
import sklearn

• مكتبة joblib هي أداة لحفظ وتحميل نماذج التعلم الآلي وتستخدم لتخزين النموذج بعد تدريبه لاستخدامه لاحقا دون الحاجة لإعادة التدريب مثلا يمكنك حفظ نموذج تنبؤ أسعار الماس بعد تدريبه كالتالي:

joblib.dump(نموذج_الماس, 'diamond_model.joblib')

• أما sklearn فهي المكتبة الرئيسية للتعلم الآلي التي تحتوي على جميع الأدوات والخوارزميات اللازمة لبناء نماذج التعلم الآلي.

from sklearn import set_config

تستخدم لضبط إعدادات عرض مكتبة scikit-learn وفي مشروع الماس في كاغل تم استخدامها لتحسين طريقة عرض مخطط معالجة البيانات كالتالي:

set_config(display="diagram")

from sklearn.model_selection import train_test_split

وهنا أداة لتقسيم البيانات إلى مجموعتين: تدريب واختبار في مشروع الماس:تم تقسيم 53,794 قطعة ماس إلى:

• 80% للتدريب (حوالي 43,035 قطعة)
• 20% للاختبار (حوالي 10,759 قطعة)

وأما هذه:

from sklearn.pipeline import import make_pipeline, Pipeline

فهي أدوات لإنشاء سلسلة معالجة للبيانات، استخدمت في المشروع لربط خطوات معالجة البيانات مع النماذج.

from sklearn.compose import make_column_selector, ColumnTransformer, TransformedTargetRegressor

وهنا أدوات لمعالجة مختلف أنواع أعمدة البيانات كالتالي:

• make_column_selector: يختار الأعمدة حسب نوعها.
• ColumnTransformer: يطبق المعالجات المناسبة لكل نوع.
• TransformedTargetRegressor: يحول متغير السعر لتحسين التنبؤ.

from sklearn.preprocessing import StandardScaler, OrdinalEncoder, QuantileTransformer

وهذه أدوات معالجة البيانات:

• StandardScaler: لتوحيد مقياس البيانات الرقمية (الوزن، الأبعاد).
• OrdinalEncoder: لتحويل البيانات الوصفية إلى أرقام (الجودة، اللون، النقاء).
• QuantileTransformer: لتحويل توزيع الأسعار.

from sklearn.feature_selection import SequentialFeatureSelector

وهنا أداة لاختيار أهم خصائص الماس المؤثرة في السعر.

from sklearn.linear_model import Ridge

وهنا نموذج الانحدار الخطي المنظم للتنبؤ بالأسعار.

from sklearn.neighbors import KNeighborsRegressor

وهنا نموذج الجيران الأقرب للتنبؤ بالأسعار.

from sklearn.inspection import permutation_importance

وهذه هي أداة لقياس أهمية كل خاصية في التنبؤ بالسعر.

from sklearn.metrics import PredictionErrorDisplay

وأخيرا هنا أداة لعرض أخطاء التنبؤ بشكل مرئي.

from sklearn.metrics import (
    r2_score, mean_absolute_error,
    mean_squared_error, root_mean_squared_error,
    explained_variance_score, median_absolute_error
)

وهذه مجموعة مقاييس لتقييم دقة النماذج في التنبؤ بأسعار الماس.