تطوير وبناء نموذج تعلم آلي (Machine Learning Model)

مشروع تحليل بيانات وتعلم آلي يهدف إلى التنبؤ بما إذا كان العميل سيقوم بالشراء مرة أخرى (Will Buy Again) بناءً على بيانات سلوكه الشرائي واستخدامه للتطبيق. يبدأ المشروع بمرحلة تنظيف وتجهيز البيانات، حيث تم التعامل مع القيم المفقودة في المتغيرات الأساسية مثل Spending_Score وApp_Usage_Hours باستخدام أسلوب الإحلال بالوسيط (Median Imputation)، بالإضافة إلى إزالة الأعمدة غير المؤثرة مثل Customer_ID. بعد ذلك تم إجراء تحليل استكشافي شامل (EDA) لفهم العلاقات بين المتغيرات واكتشاف الأنماط السلوكية للعملاء، من خلال استخدام مصفوفة الارتباط (Correlation Heatmap)، وتحليل توزيع الفئة المستهدفة، بالإضافة إلى دراسة تأثير المتغيرات الأساسية مثل الدخل السنوي، معدل الإنفاق، وساعات استخدام التطبيق على قرار الشراء. كما تم تطبيق هندسة خصائص (Feature Engineering) لإنشاء متغيرات جديدة تعكس سلوك العميل بشكل أعمق، مثل: Income_Spending_Ratio و Recency_Usage_Score، مما ساهم في تحسين تمثيل البيانات وزيادة قوة النموذج. في مرحلة بناء النماذج، تم تدريب عدة خوارزميات للمقارنة بينها، تشمل Logistic Regression وRandom Forest وSVM، مع استخدام Standardization للبيانات عند الحاجة. كما تم تحسين أداء نموذج Random Forest باستخدام GridSearchCV لاختيار أفضل مجموعة من الـ hyperparameters. تم تقييم النماذج باستخدام Accuracy وClassification Report ومصفوفة الالتباس (Confusion Matrix)، وأظهرت النتائج أن نموذج SVM حقق أفضل أداء مبدئي، مع تحسن إضافي بعد عملية ضبط المعلمات. بشكل عام، يوضح المشروع تحديات التنبؤ بسلوك العملاء باستخدام بيانات محدودة، ويؤكد أهمية زيادة حجم البيانات وإضافة متغيرات سلوكية أكثر دقة لتحسين أداء النموذج مستقبلاً.