Aperçu du projet Prédiction de prix immobiliers
Data / IATerminé

Prédiction de prix immobiliers

Pipeline ML complet sur le dataset Ames Housing, avec comparaison de 5 modèles et analyse SHAP.

Statut

Terminé

Période

août 2026

Contexte

Personnel

Domaine

Data / IA

Technologies

PythonpandasNumPyscikit-learnXGBoostSHAPApprentissage supervisé

01Le projet

C'est mon deuxième projet personnel en IA, réalisé juste après ma classification d'images. Comme le premier, son but était avant tout de progresser. Cette fois, je voulais découvrir le Machine Learning "classique", celui qui travaille sur des tableaux de données plutôt que sur des images.

L'objectif était de prédire le prix de vente d'une maison à partir de ses caractéristiques (surface, quartier, qualité de construction, garage...). J'ai utilisé le dataset Ames Housing, qui décrit environ 1 500 maisons vendues aux États-Unis avec près de 80 informations chacune.

02Étape 1, préparer les données

Un modèle n'apprend bien que si les données sont propres. C'est l'étape qui m'a pris le plus de temps, et celle qui a le plus compté.

Les cases vides

Certaines informations manquaient, mais pas toujours pour la même raison. Parfois, une case vide voulait simplement dire "absent" (pas de piscine, pas de garage...), et je l'ai remplacée par "Aucun". D'autres fois, la valeur existait forcément mais n'avait pas été renseignée, comme la largeur du terrain. Je l'ai alors remplacée par la valeur la plus courante.

La répartition des prix

La plupart des maisons ont un prix moyen, et quelques-unes sont très chères. Ces prix extrêmes perturbaient l'apprentissage. J'ai donc appliqué une transformation logarithmique, qui resserre les grands écarts et rend la répartition des prix plus équilibrée.

À gauche, les prix s'entassent d'un côté avec une longue traîne de maisons chères. À droite, après transformation, ils forment une cloche bien plus régulière, plus facile à apprendre pour un modèle.

Les cas aberrants

Quelques maisons immenses avaient été vendues à un prix anormalement bas, sûrement des ventes particulières. Comme elles risquaient de fausser le modèle, je les ai retirées.

Du texte aux nombres

Un modèle ne comprend que les nombres, il a donc fallu convertir les informations écrites en texte. Quand une information suivait un ordre logique, comme une qualité allant de "Mauvaise" à "Excellente", je l'ai transformée en note de 0 à 5 pour conserver cet ordre. Quand elle n'en avait pas, comme le nom du quartier, j'ai créé une colonne "oui / non" pour chaque possibilité.

Les maisons mises de côté

J'ai réservé 20 % des maisons, que le modèle ne voit jamais pendant son apprentissage. Elles servent à vérifier, à la fin, s'il sait vraiment prédire le prix de maisons inconnues.

03Étape 2, tester plusieurs types de modèles

Plutôt que de choisir un modèle au hasard, je les ai tous testés pour comprendre leurs différences.

ModèleLe principe
Régression linéaireCherche une formule où chaque caractéristique ajoute ou retire une somme au prix
RidgeLa même idée, mais en empêchant le modèle de donner trop d'importance à un seul critère
LassoLa même idée encore, mais capable d'ignorer complètement les critères inutiles
Random ForestFait voter des centaines d'« arbres de décision », qui posent chacun une série de questions sur la maison
XGBoostConstruit des arbres l'un après l'autre, chacun corrigeant les erreurs du précédent

Pour certains modèles, j'ai aussi testé différents réglages, comme le niveau de sélection du Lasso ou le nombre et la profondeur des arbres de la Random Forest, afin de trouver la meilleure version de chacun.

Plus la barre est courte, plus le modèle se trompe peu. Le Lasso, en vert, obtient la plus petite erreur. Les modèles à base d'arbres, pourtant plus complexes, arrivent derniers.

04Le résultat

Le meilleur modèle est le Lasso. Sur les maisons qu'il n'avait jamais vues, il se trompe en moyenne d'environ 12 % sur le prix. Il explique aussi environ 91 % des variations de prix entre les maisons, sachant qu'un score de 100 % voudrait dire qu'il prédit parfaitement.

Plus les points sont proches de la ligne pointillée, plus la prédiction est juste.

05Étape 3, comprendre les prédictions

Un bon score ne suffit pas, je voulais aussi savoir pourquoi le modèle annonce tel ou tel prix. J'ai utilisé SHAP, un outil qui mesure l'influence de chaque caractéristique sur chaque prédiction. Il montre que le modèle s'appuie sur des critères logiques, comme la zone d'urbanisme, la surface des étages, l'année de construction ou la qualité générale de la maison.

Chaque point représente une maison. Plus un point est à droite, plus cette caractéristique a fait monter le prix prédit, et plus il est à gauche, plus elle l'a fait baisser. La couleur indique la valeur de la caractéristique, rouge quand elle est élevée, bleue quand elle est faible.

Par exemple, pour la surface du rez-de-chaussée, les points rouges sont à droite et les bleus à gauche. Autrement dit, plus le rez-de-chaussée est grand, plus le modèle estime la maison chère, ce qui est parfaitement logique.

06Ce que j'en retiens

Ce projet m'a appris que le Machine Learning, c'est d'abord un travail sur les données. Le nettoyage, le traitement des valeurs et la préparation des variables m'ont pris bien plus de temps que l'entraînement des modèles, et ce sont eux qui ont fait la différence. J'ai aussi découvert qu'un modèle plus complexe n'est pas forcément meilleur. Une fois les données bien préparées, une régression Lasso a fait jeu égal avec des algorithmes bien plus lourds.

L'analyse SHAP m'a montré l'importance de l'interprétabilité. Un modèle qui prédit bien ne suffit pas, il faut pouvoir expliquer ses décisions, surtout quand elles touchent à quelque chose d'aussi concret que le prix d'une maison.

C'est mon premier projet complet de Machine Learning, mené en autodidacte avant mon entrée en Mastère. Le voir aboutir, de la donnée brute jusqu'aux explications du modèle, m'a donné confiance dans ma capacité à apprendre seul, et l'envie d'aller beaucoup plus loin.

07Technique

Python, pandas, NumPy, matplotlib, seaborn, scikit-learn (régression linéaire, Ridge, Lasso, Random Forest), XGBoost et SHAP.