README in English

Laptop Price Prediction with Machine Learning

🔗 Project Repository: Machine Learning Predicts Laptop Prices

Introduction

This project aims to predict laptop prices based on their technical specifications using machine learning models. The models used in this project are Random Forest and XGBoost to achieve accurate price predictions.

Project Features

• Utilization of Random Forest and XGBoost models
• Exploratory Data Analysis (EDA)
• Data preprocessing (converting categorical features to numerical values)
• Model comparison and evaluation

Results

📉 Model Performance Comparison:

Model	Train R²	Validation R²	Test R²	Test RMSE
Random Forest	0.894	0.887	0.883	0.085
XGBoost	0.905	0.899	0.896	0.0807

The results show that XGBoost performed better on the test data compared to Random Forest, indicating better generalization.

How to Run

1. Clone the repository:

   git clone https://github.com/sorna-fast/Machine_learning_predicts_laptop_prices.git

2. Install dependencies:

   cd Machine_learning_predicts_laptop_prices
   pip install -r requirements.txt

3. Run the notebook:

   jupyter notebook

License

This project is released under the MIT license.

---

👋 We hope you find this project useful! 🚀

---

For inquiries, reach out to: Email:masudpythongit@gmail.com 🔗 GitHub: sorna-fast

---

---

README in Persian

پیش‌بینی قیمت لپ‌تاپ با یادگیری ماشین

🔗 مخزن پروژه: Machine Learning Predicts Laptop Prices

معرفی

این پروژه برای پیش‌بینی قیمت لپ‌تاپ‌ها بر اساس ویژگی‌های فنی و مشخصات آن‌ها توسط مدل‌های یادگیری ماشین توسعه یافته است. در این پروژه از مدل‌های Random Forest و XGBoost برای پیش‌بینی دقیق قیمت لپ‌تاپ‌ها استفاده شده است.

مشخصات پروژه

• استفاده از مدل‌های Random Forest و XGBoost
• تحلیل اکتشافی داده‌ها (EDA)
• پیش‌پردازش داده‌ها (تبدیل ویژگی‌های دسته‌ای به عددی)
• مقایسه و ارزیابی مدل‌ها

نتایج

📉 مقایسه دقت مدل‌ها:

مدل	Train R²	Validation R²	Test R²	Test RMSE
Random Forest	0.894	0.887	0.883	0.085
XGBoost	0.905	0.899	0.896	0.0807

نتایج نشان می‌دهد که XGBoost در داده‌های آزمون بهتر از Random Forest عمل کرده است** که نشان‌دهنده عملکرد بهتر در تعمیم است.

نحوه اجرا

1. کلون کردن مخزن:

   git clone https://github.com/sorna-fast/Machine_learning_predicts_laptop_prices.git

2. نصب وابستگی‌ها:

   cd Machine_learning_predicts_laptop_prices
   pip install -r requirements.txt

3. اجرای نوت‌بوک:

   jupyter notebook

مجوز

این پروژه تحت لایسنس MIT منتشر شده است.

---

👋 امیدواریم این پروژه برای شما مفید باشد! 🚀

ارتباط با توسعه‌دهنده

Email:masudpythongit@gmail.com

🔗 حساب گیتهاب: sorna-fast