این پروژه یک سیستم جامع پیش‌بینی قیمت خودرو با استفاده از تکنیک‌های یادگیری ماشین پیاده‌سازی می‌کند. این سیستم دارای یک معیار ارزیابی سفارشی به نام NewMetric است که به طور خاص برای پیش‌بینی قیمت خودرو طراحی شده است.

• 🎯 معیار سفارشی NewMetric برای ارزیابی تخصصی قیمت خودرو
• 🤖 مدل‌های متعدد ML شامل Gradient Boosting، Random Forest و غیره
• 📊 تحلیل بصری با نمودارهای مقایسه‌ای دقیق
• 💾 ذخیره‌سازی مدل برای استفاده و استقرار آسان
• 🔄 سیستم پیش‌بینی تعاملی برای تخمین قیمت در لحظه

• پایتون نسخه 3.8 یا بالاتر
• مدیر بسته pip

git clone https://github.com/yourusername/CarPricePrediction.git
cd CarPricePrediction

pip install pandas numpy scikit-learn matplotlib openpyxl

برای آموزش و ساخت مدل نهایی پیش‌بینی:

python car_price_prediction.py

این دستور چه کاری انجام می‌دهد:

• بارگذاری داده‌ها از فایل data.xlsx
• آموزش مدل Gradient Boosting با پارامترهای بهینه
• ارزیابی عملکرد با استفاده از NewMetric
• ذخیره مدل آموزش‌دیده در car_price_model.pkl
• تولید نمودارهای تجسمی

فایل‌های خروجی:

• car_price_model.pkl - فایل مدل آموزش‌دیده
• final_model_results.png - نمودارهای پیش‌بینی در مقابل واقعی
• final_feature_importance.png - تجسم اهمیت ویژگی‌ها

برای مقایسه الگوریتم‌های مختلف ML:

python "Comparison of models.py"

مدل‌های مقایسه شده:

• Linear Regression (رگرسیون خطی)
• Ridge Regression (رگرسیون ریج)
• Lasso Regression (رگرسیون لسو)
• Random Forest Regressor (جنگل تصادفی)
• Gradient Boosting Regressor (تقویت گرادیان)

فایل‌های خروجی:

• model_results.png - نمودارهای مقایسه مدل‌ها
• feature_importance.png - اهمیت ویژگی‌ها برای بهترین مدل

برای پیش‌بینی با مدل ذخیره شده:

python use_model.py

گزینه‌های موجود:

from use_model import load_model, predict_price

# بارگذاری مدل آموزش‌دیده
model, feature_names = load_model("car_price_model.pkl")

# آماده‌سازی مقادیر ویژگی‌ها (نرمال‌سازی شده بین ۰ و ۱)
feature_values = {
    "کیلومتر_نرمال": 0.3,
    "سال_نرمال": 0.8,
    # ... سایر ویژگی‌ها
}

# دریافت پیش‌بینی
predicted_price = predict_price(model, feature_names, feature_values)
print(f"قیمت پیش‌بینی شده: {predicted_price:,.0f} تومان")

from use_model import load_model, predict_from_excel

# بارگذاری مدل
model, feature_names = load_model()

# پیش‌بینی برای همه خودروهای موجود در فایل اکسل
results = predict_from_excel(
    model,
    feature_names,
    excel_path="new_cars.xlsx",
    output_path="predictions.xlsx"
)

مدل تولید از Gradient Boosting Regressor با پارامترهای بهینه استفاده می‌کند:

GradientBoostingRegressor(
    n_estimators=200,      # تعداد تخمین‌گرها
    learning_rate=0.1,     # نرخ یادگیری
    max_depth=5,           # حداکثر عمق
    min_samples_split=5,   # حداقل نمونه برای تقسیم
    min_samples_leaf=2,    # حداقل نمونه در برگ
    subsample=0.8,         # نسبت زیرنمونه‌گیری
    random_state=42        # بذر تصادفی
)

NewMetric یک معیار ارزیابی سفارشی است که به طور خاص برای پیش‌بینی قیمت خودرو طراحی شده است. این معیار چندین اندازه‌گیری خطا را ترکیب می‌کند تا ارزیابی جامعی از عملکرد مدل ارائه دهد.

$$\text{NewMetric} = 0.4 \times \text{MAE}_{norm} + 0.4 \times \text{RMSE}_{norm} + 0.2 \times \text{RelativeError}$$

که در آن:

• MAE_norm = MAE / میانگین قیمت (میانگین خطای مطلق نرمال‌شده)
• RMSE_norm = RMSE / میانگین قیمت (ریشه میانگین مربعات خطا نرمال‌شده)
• RelativeError = میانگین |واقعی - پیش‌بینی| / واقعی

توجه: مقادیر پایین‌تر نشان‌دهنده عملکرد بهتر است.

CarPricePrediction/
│
├── 📄 car_price_prediction.py    # اسکریپت اصلی آموزش با مدل نهایی
├── 📄 Comparison of models.py    # مقایسه و ارزیابی مدل‌ها
├── 📄 use_model.py               # ابزارهای استنتاج و پیش‌بینی
│
├── 📊 data.xlsx                  # مجموعه داده آموزش (مورد نیاز)
├── 🤖 car_price_model.pkl        # مدل ذخیره شده (تولید شده)
│
├── 📈 final_model_results.png    # نمودارهای پیش‌بینی (تولید شده)
├── 📈 final_feature_importance.png
├── 📈 model_results.png
├── 📈 feature_importance.png
│
├── 📖 README.md                  # مستندات انگلیسی
└── 📖 README_FA.md               # مستندات فارسی

فایل اکسل ورودی (data.xlsx) باید شامل موارد زیر باشد:

• کیلومتر_نرمال - کیلومتر نرمال‌شده
• سال_نرمال - سال نرمال‌شده
• رنگ_نرمال - کدگذاری رنگ نرمال‌شده
• و موارد بیشتر...

سیستم نمودارهای مقایسه‌ای تولید می‌کند که شامل موارد زیر است:

• امتیازات NewMetric برای همه مدل‌ها
• MAPE (میانگین درصد خطای مطلق)
• نمودار پراکندگی واقعی در مقابل پیش‌بینی
• هیستوگرام توزیع خطا

✅ قیمت واقعی: ۱,۲۰۰,۰۰۰,۰۰۰ | پیش‌بینی: ۱,۱۸۰,۰۰۰,۰۰۰ | خطا: ۱.۷٪
✅ قیمت واقعی:   ۸۵۰,۰۰۰,۰۰۰ | پیش‌بینی:   ۸۷۰,۰۰۰,۰۰۰ | خطا: ۲.۴٪
⚠️ قیمت واقعی:   ۵۰۰,۰۰۰,۰۰۰ | پیش‌بینی:   ۴۵۰,۰۰۰,۰۰۰ | خطا: ۱۰.۰٪

اگر متن فارسی در نمودارها به درستی نمایش داده نمی‌شود، یک فونت سازگار با فارسی نصب کنید:

plt.rcParams["font.family"] = "DejaVu Sans"

┌─────────────────────────────────────────────────────────────┐
│                    ۱. آماده‌سازی داده‌ها                      │
│                    (ایجاد data.xlsx)                        │
└─────────────────────────────────────────────────────────────┘
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                 ۲. مقایسه مدل‌ها (اختیاری)                   │
│            python "Comparison of models.py"                 │
└─────────────────────────────────────────────────────────────┘
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                    ۳. آموزش مدل نهایی                       │
│              python car_price_prediction.py                 │
└─────────────────────────────────────────────────────────────┘
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                    ۴. استفاده از مدل                        │
│                   python use_model.py                       │
└─────────────────────────────────────────────────────────────┘

1. داده‌های بیشتر: هرچه داده‌های آموزش بیشتر باشد، مدل دقیق‌تر خواهد بود
2. ویژگی‌های بهتر: ویژگی‌های نرمال‌شده مناسب تأثیر زیادی دارند
3. تنظیم پارامترها: می‌توانید پارامترهای مدل را برای داده‌های خود بهینه کنید

# ذخیره مدل
from car_price_prediction import save_model
save_model(trained_model, feature_names, "production_model.pkl")

# بارگذاری و استفاده
from use_model import load_model, predict_price
model, features = load_model("production_model.pkl")
price = predict_price(model, features, car_data)

این پروژه تحت مجوز MIT منتشر شده است - برای جزئیات فایل LICENSE را ببینید.

مشارکت‌ها خوش‌آمد هستند! لطفاً با خیال راحت یک Pull Request ارسال کنید.

۱. مخزن را Fork کنید ۲. شاخه ویژگی خود را ایجاد کنید (git checkout -b feature/AmazingFeature) ۳. تغییرات خود را Commit کنید (git commit -m 'Add some AmazingFeature') ۴. به شاخه Push کنید (git push origin feature/AmazingFeature) ۵. یک Pull Request باز کنید

برای سؤالات یا پشتیبانی، لطفاً یک issue در GitHub باز کنید.