مشروع regression في مشاكل

البيانات عبارة عن ضجيج عشوائي اصطناعي تم توليده عشوائياً دون أي علاقة رياضية أو منطقية بين الخصائص Features وسعر السيارة Target، أي لا يوجد أي نمط (Signal) في البيانات لتتعلمه الخوارزميات، بل تحاول النماذج حفظ ضوضاء عشوائية فتفشل عند الاختبار.

النموذج يحقق معامل تحديد سالب، بالتالي تنبؤات النموذج أسوأ حتى من نموذج بدائي يكتفي بالتنبؤ بالمتوسط الحسابي للأسعار.

يجب أن تنخفض أسعار السيارات مع زيادة المسافة المقطوعة (ارتباط عكسي قوي)، وأن ترتفع مع حداثة سنة الصنع (ارتباط طردي)، في بياناتك، الارتباط بين كل تلك الخصائص والسعر يقترب من الصفر.

وظهور 0 قيم شاذة ليس دليلاً على نظافة البيانات، بل كان الدليل القاطع على أنها بيانات مصطنعة بتوزيع منتظم، فجميع المتغيرات العددية (Year, Mileage, Price, Engine Size) موزعة بانتظام بين حد أدنى وحد أقصى ثابتين.

جرب تشغيل نفس الكود على مجموعة بيانات حقيقية لأسعار السيارات كمجموعة بيانات Cars.gov أو Kaggle Used Cars Dataset.