| فایل اولیه‌ی تمرین را می‌توانید از [این لینک](/contest/assignments/103149/download_problem_initial_project/356096/) دانلود کنید. | | :--: | به «املاک خرچنگی» خوش آمدید! آقای خرچنگ، صاحب رستوران معروف، اخیرا متوجه شده که فرمول همبرگر خرچنگی دیگر تنها راه پولدار شدن در شهر «بیکینی باتم» نیست. او فهمیده که پول اصلی در بازار پرنوسان املاک و مستغلات خوابیده است! اما یک بحران بزرگ در شرکت رخ داده است! پلانکتون با استفاده از هوش مصنوعیِ همسر کامپیوتری‌اش، در حال پیش‌خرید بهترین خانه‌های شهر با قیمت‌های بسیار دقیق و مهندسی‌شده است. در همین حال، آقای خرچنگ متوجه شد که اختاپوس (که تا دیروز مسئول قیمت‌گذاری و ارزیابی خانه‌ها بود) قیمت‌ها را کاملا شانسی، بر اساس حوصله‌اش و با نگاه کردن به ظاهر خانه‌ها تعیین می‌کرده است! آقای خرچنگ از شدت عصبانیت اختاپوس را اخراج کرده و حالا خطر ورشکستگی امپراتوری جدیدش را حس می‌کند. حالا آقای خرچنگ از شما یک چیز می‌خواهد: سیستمی بسازید که قیمت دقیق خانه‌های بیکینی باتم را قبل از اینکه پلانکتون دستش به آن‌ها برسد، پیش‌بینی کند. تیم باب‌اسفنجی (که حالا به جای پخت همبرگر، در سطح شهر داده جمع‌آوری می‌کند) دیتاستی از خانه‌های فروخته شده در محله‌های مختلف را استخراج کرده و در اختیار شما قرار داده است. وظیفه شما این است که این مدل را طراحی کنید. <details class="yellow"> <summary>**📊 ساختار داده**</summary> تیم داده‌برداری، اطلاعات استخراج‌شده را در قالب دو فایل (آموزش و آزمون) در اختیار شما قرار داده است. هر سطر از این دیتاست، نمایانگر مشخصات یک خانه است. جزئیات ستون‌های این دیتاست به شرح زیر است: | **نام ستون** | **توضیحات** | | --------------------------- | ----------------------------------------------- | | **lat** | عرض جغرافیایی خانه (مختصات روی نقشه) | | **long** | طول جغرافیایی خانه (مختصات روی نقشه) | | **area** | مساحت خانه (به متر مربع) | | **age** | سن بنا (سال) | | **total_floors** | تعداد کل طبقات ساختمان | | **floor_number** | شماره طبقه‌ای که واحد در آن قرار دارد | | **rooms** | تعداد اتاق‌های خواب | | **document_type** | نوع سند ملکی (شخصی، اوقاف، قولنامه‌ای و...) | | **cooling_type** | سیستم سرمایشی (اسپلیت، چیلر، داکت و...) | | **monthly_levy** | مبلغ شارژ ماهیانه ساختمان | | **has_master_bedroom** | آیا خانه اتاق مستر دارد؟ (۱: بله، ۰: خیر) | | **parking_type** | وضعیت و نوع پارکینگ (مسقف، محوطه و...) | | **neighbor_noise_level** | سطح سر و صدای همسایه‌ها (کم، متوسط، زیاد) | | **distance_to_hospital_km** | فاصله تا نزدیک‌ترین بیمارستان (کیلومتر) | | **has_smart_home** | مجهز بودن به سیستم خانه هوشمند (۱: بله، ۰: خیر) | | **water_pressure** | وضعیت فشار آب ساختمان | | **exterior_style** | سبک نمای بیرونی ساختمان (رومی، مدرن، کلاسیک) | | **fiber_internet** | دسترسی به اینترنت فیبر نوری (۱: بله، ۰: خیر) | | **manager_present** | حضور مدیر ساختمان یا لابی‌من (۱: بله، ۰: خیر) | | **window_type** | نوع پنجره‌ها (دوجداره، تک‌جداره و...) | | **price** | قیمت نهایی فروش خانه | </details> ### **خروجی** برای ارزیابی برنامه خود، باید قیمت خانه‌های موجود در `test.csv` را پیش‌بینی کنید. خروجی شما باید یک فایل متنی یا CSV باشد که تنها شامل **یک ستون** با نام `price` است. هر سطر از این ستون، باید دقیقاً نمایانگر قیمت پیش‌بینی‌شده برای همان سطرِ متناظر در داده‌های ورودی باشد. ```PlainText price 2450000 1860500 3400000 985000 ... ``` ---------- ### **نحوه ارزیابی** برای ارزیابی سیستم شما از فرمول زیر استفاده می‌گردد. $$Score = \max\left(0, 100 \times \left(1 - \frac{1 - R^2 Score}{0.04}\right)\right)$$