Construction Cost Prediction — ML models for forecasting project costs
Prévoir les coûts de projets de construction avec le machine learning : régression linéaire, KNN, Random Forest et Gradient Boosting sur données historiques — préparation des données, feature engineering, évaluation des modèles et pipeline de prédiction réutilisable avec intervalles de confiance
- Quoi
- Prévoir les coûts de projets de construction avec le machine learning : régression linéaire, KNN, Random Forest et Gradient Boosting sur données historiques — préparation des données, feature engineering, évaluation des modèles et pipeline de prédiction réutilisable avec intervalles de confiance
- Coût
- Gratuit
- Prérequis
- Python 3 avec pandas, numpy et scikit-learn (pip install pandas numpy scikit-learn) — vos propres données historiques de projets (surface, étages, type de bâtiment, coûts) pour une vraie valeur
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill cost-prediction de @datadrivenconstruction, listé ici avec crédit à son créateur (compagnon du livre « Data-Driven Construction », chapitre 4.5) : prévoir les coûts de projets de construction depuis des données historiques avec du machine learning classique. Il guide l'agent sur tout le pipeline — préparation des jeux de données historiques (valeurs manquantes, encodage catégoriel, variables dérivées comme le coût au m², ajustement de l'inflation), feature engineering (interactions, features polynomiales, transformations log, catégories de taille), entraînement et comparaison de modèles (régression linéaire, K plus proches voisins avec GridSearchCV, Random Forest, Gradient Boosting) avec évaluation MAE/RMSE/R²/MAPE et validation croisée, puis conditionnement du gagnant en fonction de prédiction réutilisable avec intervalles de confiance et sauvegarde/chargement joblib. Bémols honnêtes : les prédictions ne valent que les données historiques — mauvaises données, mauvaises prédictions ; les exemples sont des gabarits génériques à adapter à votre schéma ; la baseline d'inflation est codée en dur à 2024 et doit être mise à jour ; toujours présenter des intervalles, pas des estimations ponctuelles, pour de vraies décisions budgétaires. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3 avec pandas, numpy et scikit-learn (pip install pandas numpy scikit-learn) — vos propres données historiques de projets (surface, étages, type de bâtiment, coûts) pour une vraie valeur Installe-moi « Prédiction des coûts de construction — modèles ML pour prévoir les coûts de projets ». Il donne à mon agent le workflow de prédiction de coûts de @datadrivenconstruction : préparer les jeux de données historiques (valeurs manquantes, encodage catégoriel, variables dérivées, ajustement de l'inflation), faire du feature engineering, entraîner et comparer des modèles (régression linéaire, KNN, Random Forest, Gradient Boosting) avec évaluation complète (MAE, RMSE, R², MAPE, validation croisée), et conditionner le meilleur modèle en pipeline de prédiction réutilisable avec intervalles de confiance et sauvegarde/chargement joblib. Licence MIT. Dépôt : https://github.com/datadrivenconstruction/ddc_skills_for_ai_agents_in_construction/blob/main/2_DDC_Book/4.5-ML-Cost-Prediction/cost-prediction/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « cost-prediction ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. pip install pandas numpy scikit-learn ; préparer un CSV de mes projets historiques ; mettre à jour la baseline d'inflation 2024 ; adapter les noms de variables à mon schéma). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.