مشروع متكامل في Machine Learning يهدف إلى بناء نموذج تصنيف يتنبأ بما إذا كان دخل الفرد يتجاوز 50 ألف دولار سنويًا، باستخدام بيانات التعداد السكاني الأمريكي الحقيقية لأكثر من 48 ألف سجل.
يغطي المشروع دورة العمل الكاملة في Data Science، بدءًا من EDA وتحليل توزيع البيانات واكتشاف القيم المفقودة والشاذة، مرورًا بتنظيف البيانات ومعالجة القيم المفقودة وهندسة الخصائص، مثل تجميع الدول الأقل تكرارًا وFrequency Encoding.
تم تجهيز البيانات باستخدام Pipeline احترافي عبر ColumnTransformer، مع StandardScaler للمتغيرات الرقمية وOneHotEncoder للفئوية.
تم بناء ومقارنة 5 نماذج: Logistic Regression، Decision Tree، Random Forest، Gradient Boosting، وKNN، وتقييمها باستخدام Accuracy وPrecision وRecall وF1-score وConfusion Matrix، مع مقارنة الأداء لاختيار النموذج الأنسب بناءً على F1-score.
المشروع منفذ بالكامل باستخدام Python وPandas وScikit-learn وMatplotlib وSeaborn.