Name: Prediction-du-Prix-des-Voitures-dOccasion-en-Tunisie
Uploaded: 2025-12-01
Duration: 4 min 11 s
Description: Prédiction du Prix des Voitures d'Occasion en Tunisie.

Prédiction du Prix des Voitures d'Occasion en Tunisie. 

Scene 1

Prédiction du Prix des Voitures d'Occasion en Tunisie

Une approche basée sur l'apprentissage automatique pour un marché automobile plus transparent.

Car FricEt Cart 327,416" Tat Aon•tties Couring (472,950 n Aeeysaoo lar Price 20u -237.13. 

Scene 2

Car FricEt Cart
327,416"
Tat
Aon•tties
Couring
(472,950
n Aeeysaoo
lar Price
20u
-237.13

Résumé Exécutif : Dévoiler la Valeur Réelle

Développer un modèle prédictif pour estimer le prix des véhicules d'occasion en Tunisie, apportant clarté et confiance au marché.

Plus de 60 000 annonces collectées, couvrant 24 gouvernorats tunisiens, pour une analyse complète et diversifiée.

Présentation via une application Streamlit conviviale, rendant le modèle accessible à tous les utilisateurs.

Des bénéfices tangibles pour les marketplaces, concessionnaires et particuliers grâce à des prédictions fiables.

Introduction & Contexte : Un Marché en Quête de Transparence. 

Scene 3

Introduction & Contexte : Un Marché en Quête de Transparence

Le marché de l'automobile d'occasion en Tunisie est souvent caractérisé par une asymétrie d'information, rendant difficile pour les acheteurs et vendeurs d'estimer un prix juste. Notre solution vise à combler cette lacune.

L'estimation des prix des véhicules d'occasion en Tunisie est un défi majeur, manquant de références objectives et transparentes.

Favoriser la transparence du marché pour stimuler les échanges et protéger les intérêts des consommateurs.

Un modèle d'apprentissage automatique offre une estimation objective et rapide, surpassant les méthodes traditionnelles.

20:14 _ZJ Datal Stary Ses I NEW CJ Daft-I 304S Ill I 5.3:15—. •_J Cant April alen 20.164%. 

Scene 4

20:14
_ZJ Datal Stary
Ses
I NEW
CJ Daft-I
304S
Ill I
5.3:15—.
•_J Cant
April alen
20.164%

Description Détaillée des Données : La Matière Première de l'IA

Notre modèle s'appuie sur un dataset riche et varié, directement issu d'annonces tunisiennes, capturant l'essence du marché local.

Annonces de voitures d'occasion tunisiennes.

Marque, modèle, année, kilométrage, localisation, carburant, boîte de vitesses, état, puissance, taille moteur, etc.

Création de l'âge du véhicule (2025 - année) et du kilométrage par an.

Préparation des Données & Pipeline ML : Le Cœur de notre Modèle. 

Scene 5

Préparation des Données & Pipeline ML : Le Cœur de notre Modèle

Chaque étape de notre pipeline est conçue pour transformer les données brutes en informations exploitables par le modèle, garantissant précision et performance.

Gestion des valeurs manquantes et des incohérences.

Transformation des variables catégoriques en format numérique (One-Hot Encoding).

Application d'un scaler pour standardiser les variables numériques, essentiel pour la régression linéaire.

Strict respect des colonnes de features définies dans l'artifact pour une cohérence parfaite.

Modèle Utilisé : La Régression Linéaire en Action. 

Scene 6

Modèle Utilisé : La Régression Linéaire en Action

Nous avons opté pour un modèle de Régression Linéaire, connu pour sa simplicité et son interprétabilité, parfaitement adapté à notre problématique de prédiction de prix.

La régression linéaire, un algorithme simple et efficace pour prédire une valeur continue.

Contient le modèle entraîné, le scaler, les colonnes numériques et catégoriques, ainsi que les métriques d'évaluation.

De l'ingestion des données brutes à la validation du modèle, chaque étape est automatisée et optimisée.

Fill Ill. Évaluation du Modèle : Mesurer la Performance. 

Scene 7

Évaluation du Modèle : Mesurer la Performance

Pour garantir la fiabilité de nos prédictions, nous avons évalué le modèle à l'aide de métriques standards, offrant une vue claire de sa précision.

Indique la proportion de la variance du prix expliquée par notre modèle.

Représente l'écart moyen entre les prix prédits et les prix réels, en valeurs absolues.

Malgré de bonnes performances, notre modèle a des limites, notamment avec la détection de non-linéarités complexes ou la gestion des valeurs aberrantes (outliers).

Importance des Variables : Comprendre les Facteurs Clés. 

Scene 8

Importance des Variables : Comprendre les Facteurs Clés

L'analyse des coefficients du modèle révèle les variables qui exercent l'influence la plus significative sur le prix d'une voiture d'occasion en Tunisie.

Ces variables sont cruciales pour évaluer la valeur d'un véhicule, permettant aux utilisateurs de prendre des décisions éclairées.

Application Streamlit : Une Interface Intuitiv. Notre application Streamlit offre une expérience utilisateur fluide, permettant à quiconque d'obtenir une estimation de prix en quelques clics.. 

Scene 9

Application Streamlit : Une Interface Intuitiv

Notre application Streamlit offre une expérience utilisateur fluide, permettant à quiconque d'obtenir une estimation de prix en quelques clics.

Design clair et réactif pour une navigation aisée.

Formulaires pour marque, modèle, année, kilométrage, carburant, couleur, boîte de vitesses, etc.

Pré-traitement des données saisies par l'utilisateur pour les adapter au modèle.

Exécution du modèle pour générer une prédiction de prix précise.

Interprétation Business & Perspectives d'Évolution. 

Scene 10

Interprétation Business & Perspectives d'Évolution

Les véhicules récents, peu kilométrés, de marques réputées et en excellent état conservent mieux leur valeur.

Aux particuliers : vendre avant une forte dépréciation. Aux concessionnaires : optimiser l'achat et la revente.

Renforcer la confiance des utilisateurs et offrir un service différencié grâce à des estimations fiables.

Explorer des modèles plus complexes (XGBoost), intégrer l'historique d'entretien et développer des APIs pour une plus large adoption.

Prediction-du-Prix-des-Voitures-dOccasion-en-Tunisie

Scene 1 (0s)

Scene 2 (10s)

Scene 3 (38s)

Scene 4 (1m 5s)

Scene 5 (1m 35s)

Scene 6 (2m 2s)

Scene 7 (2m 29s)

Scene 8 (2m 58s)

Scene 9 (3m 18s)

Scene 10 (3m 43s)