تحليل البيانات الاستكشافي (EDA): قمت بقراءة ومعالجة البيانات، واستخدام مكتبات الرسم البياني (Seaborn & Matplotlib) لفهم العلاقات بين المتغيرات المختلفة واكتشاف الأنماط.
المعالجة المسبقة للبيانات (Data Preprocessing): * التعامل مع القيم الشاذة (Outliers) بشكل احترافي باستخدام التحويل اللوغاريتمي (Log Transformation) لتقليل تأثيرها السلبي على النموذج بدلاً من حذفها.
تطبيق تقييس البيانات (Feature Scaling) لضمان عمل خوارزمية KNN بأعلى كفاءة.
بناء وتدريب النموذج: تم استخدام خوارزمية K-Nearest Neighbors (KNN) وتجربة تقسيمات مختلفة للبيانات (Thresholds) مثل (33rd/67th) و (25th/75th percentiles) للوصول لأفضل أداء.
تقييم النموذج (Evaluation): أثبت النموذج متانته (Robustness) واستقراره، حيث حقق دقة (Accuracy) تصل إلى 88.5%، مما يدل على قدرته العالية على التصنيف الدقيق حتى مع تغيير حدود الفئات.