استخدام خــــــــوارزمية XGBoost لتنــــــــبؤ بالتضخم وأسعار الغذاء العالمية

استخدام خــــــــوارزمية XGBoost لتنــــــــبؤ بالتضخم وأسعار الغذاء العالمية:

 تـــــحليل زمــــني حسب المنتج السوق والدولة"

مجدي رمضان بوسيف المتخطري¹           محمد مصطفي عبد العالي عبدالجواد²

المعهد العالي للعلوم والتقنية /أمساعد/ ليبيا^{1- 2}

البريد الكتروني ¹Magdibosif@Gmail.com               Astef_li@yahoo.com²

الملخص

تهدف هذه الدراسة إلى استخدام خوارزمية XGBoost لتنبؤ بالتضخم وأسعار الغذاء العالمية، بالاعتماد على البيانات التي تم جمعها من قاعدة بيانات. Kaggle تم تقييم النموذج باستخدام مجموعة من المقاييس البصرية والأداء، والتي تم تحليلها بشكل شامل في هذه الدراسة.

تم استخدام مجموعة متنوعة من البيانات لتدريب النموذج وتقييمه، بهدف تحليل البيانات الزمنية وتحديد الأنماط والعلاقات بين المتغيرات المختلفة. النتائج أظهرت دقة عالية للنموذج في التنبؤات، حيث كانت معظم النقاط قريبة من الخط الأحمر المثالي. تم تقييم أداء النموذج باستخدام المعايير التالية:

  12.8% (MSE) خطأ الجذر المتوسط التربيعي (RMSE): 35.7%متوسط الخطأ المطلق 5.4% (MAE)   معامل التحديد (R²): 99.5%

تعكس هذه النتائج كفاءة النموذج في تقدير أسعار الغذاء والتضخم، مما يسهم في تقديم توصيات موثوقة وفعالة لصناع القرار. يمكن تحسين أداء النموذج بإجراء دراسات إضافية لاستكشاف معماريات مختلفة وتحسين دقة النموذج بشكل أكبر.

الكلمات المفتاحية XGBoost: تنبؤ بالتضخم، أسعار الغذاء، تحليل البيانات الزمنية، التوصيات الاقتصادية.

    "Using the XGBoost Algorithm to Forecast Inflation and Global Food Prices: A Time-Lapse Analysis by Product, Market, and Country"

Abstract

This study aims to utilize the XGboost algorithm to predict global inflation and food prices, based on data collected from the Kaggle database. The model was evaluated using a set of visual and performance metrics, which were comprehensively analyzed in this study. A diverse dataset was used to train and evaluate the model, with the goal of analyzing temporal data to identify patterns and relationships between different variables.

The results demonstrated high accuracy for the model in predictions, with most points being close to the ideal red line. The model's performance was evaluated using the following metrics:

• (MSE): 12.8%
• (RMSE): 35.7%
• (MAE): 5.4%
• R² Score: 99.5%

These results reflect the model's efficiency in estimating food prices and inflation, providing reliable and effective recommendations for decision-makers. The model's performance can be further enhanced by conducting additional studies to explore different architectures and improve its accuracy.

Keywords: XGboost, inflation prediction, food prices, time series analysis, economic recommendations.