پروژه ۱: پیش‌بینی قیمت خانه

پروژه ۱: پیش‌بینی قیمت خانه

در این پروژه همه آموخته‌های رگرسیون را کنار هم می‌گذاریم و یک پایپ‌لاین کامل ML می‌سازیم.

صورت مسئله

با ویژگی‌های متراژ، تعداد اتاق، سن بنا و موقعیت، قیمت خانه را پیش‌بینی کنیم.

مراحل پروژه

1. بارگذاری و بررسی داده — head، info، describe
2. پاک‌سازی — گمشده‌ها، پرت‌ها، تکراری‌ها
3. کدگذاری — One-Hot برای شهر
4. مهندسی ویژگی — قیمت هر متر، تعامل‌ها
5. تقسیم — Train/Test با random_state
6. مقیاس‌بندی — فقط روی Train
7. مدل‌سازی — رگرسیون خطی + جنگل (مقایسه)
8. ارزیابی — MAE، RMSE، R²
9. بهبود — GridSearch روی بهترین مدل

کد کامل پروژه

کد کامل در مثال‌های همین مبحث آمده است. نکات کلیدی:

• Scaler فقط روی Train فیت شد (جلوگیری از نشت)
• دو مدل مقایسه شدند و بهترین انتخاب شد
• خطاها با MAE به زبان قابل فهم: «به‌طور میانگین X میلیون خطا»

چالش‌های افزوده (برای تمرین شما)

1. ویژگی «فاصله تا مترو» اضافه کنید — دقت چقدر بهتر شد؟
2. مدل XGBoost را هم مقایسه کنید
3. داده پرت را با IQR حذف و اثرش را بسنجید
4. منحنی یادگیری رسم کنید (train size vs error)

جمع‌بندی

• پایپ‌لاین کامل رگرسیون را اجرا کردیم
• مقایسه مدل‌ها + تنظیم هایپرپارامتر = بهترین نتیجه
• این الگو را می‌توانید روی هر داده رگرسیونی پیاده کنید