سرنخ — خودآموز پایتون و برنامه‌نویسی برای هوش مصنوعی (مقدماتی)

فصل ۲ از ۱۲

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

ساختنِ یک مدل در scikit-learn سه خط است. در این فصل آن سه خط را می‌نویسی و اولین پیش‌بینی‌ات را می‌گیری. ولی بلافاصله چیزِ مهم‌تری یاد می‌گیری: آن سه خط آسان‌ترین بخشِ ماجراست. مدل یک عدد به تو می‌دهد و هیچ نشانه‌ای همراهش نیست که بگوید خوب است یا نه. دو فصلِ بعد کاملاً به همان یک سؤال اختصاص دارند.

یک ابزارِ برش‌خورده با سه اهرمِ پشتِ‌سرِهم که مجموعه‌ای از نقطه‌ها را به یک خطِ صاف تبدیل می‌کند

آخر این فصل می‌توانی:

  • با fit و predict یک مدلِ LinearRegression بسازی و به‌کار ببری
  • بگویی fit دقیقاً چه چیزی را یاد می‌گیرد و کجا ذخیره‌اش می‌کند
  • ضریب‌های مدل را بخوانی و معنایشان را بگویی
  • اولین عددِ خطا را حساب کنی و بگویی چرا هنوز قابلِ‌اعتماد نیست

قبل از شروع#

از فصل ۱: X و y، feature و label، و اینکه X باید دوبعدی باشد.

از ترمِ ۲ فصل ۵: ستونِ ram_gb خانهٔ خالی دارد. آنجا بیست‌وشش تا شمردی و در laptops_clean.csv بیست‌وپنج تا مانده، چون یکی از آن‌ها در ردیفی بود که به‌خاطرِ سالِ غلط حذف شد.

📓 نوت‌بوک: نوت‌بوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

۱. آماده‌کردنِ داده#

import pandas as pd

df = pd.read_csv("laptops_clean.csv")
df = df.dropna(subset=["ram_gb"]).reset_index(drop=True)

X = df[["year", "ram_gb"]]
y = df["price"]

print("X:", X.shape, "| y:", y.shape)
X: (213, 2) | y: (213,)

از ۲۳۸ ردیف، ۲۱۳ تا ماند — چون scikit-learn مقدارِ خالی را نمی‌پذیرد و ما فعلاً ساده‌ترین راه را انتخاب کردیم: حذفشان.

این یک تصمیم است و باید صریح باشد. ۲۵ ردیف را کنار گذاشتیم، یعنی حدودِ ۱۱ درصدِ داده. در فصلِ ۷ راهِ بهترش را می‌بینی که هیچ ردیفی را دور نمی‌اندازد.

۲. سه خطی که مدل می‌سازند#

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X, y)

print("ضریب‌ها:", model.coef_.round(0))
print("عرض از مبدأ:", round(model.intercept_))
ضریب‌ها: [2558156.  371179.]
عرض از مبدأ: -5145093949

سه خط، و همین. LinearRegression() یک مدلِ خالی می‌سازد و fit(X, y) آن را روی داده آموزش می‌دهد.

بعد از fit، مدل چیزی یاد گرفته و در خودش نگه داشته: coef_ و intercept_. آن خطِ زیرِ نامشان یک قراردادِ scikit-learn است و یعنی «این مقدار از داده یاد گرفته شده، نه اینکه تو تنظیمش کرده باشی».

ضریب‌ها را بخوان — دقیقاً معنا دارند:

  • 2558156 برای year: به‌ازای هر سالِ جدیدتر، مدل حدودِ ۲٫۵۶ میلیون به قیمت اضافه می‌کند.
  • 371179 برای ram_gb: به‌ازای هر گیگ حافظهٔ بیشتر، حدودِ ۳۷۱ هزار.

هر دو با شهود می‌خوانند و با یافته‌های ترمِ ۲ هم سازگارند.

⚠️ مواظب باش: حالا به عرضِ از مبدأ نگاه کن: منفیِ پنج میلیارد. عددِ عجیبی است ولی باگ نیست. عرض از مبدأ یعنی «پیش‌بینیِ مدل وقتی همهٔ featureها صفر باشند» — یعنی لپ‌تاپی از سالِ صفرِ میلادی با صفر گیگ حافظه. چنین چیزی وجود ندارد، پس عددش هم بی‌معناست. عرض از مبدأ را وقتی معنایی ندارد تفسیر نکن؛ فقط جایی است که خط باید از آنجا شروع شود تا در محدودهٔ دادهٔ واقعی درست بنشیند.

🌱 ریشه‌اش کجاست: این مدل دقیقاً همان y = mx + b است که در ریشه، ترم ۴ فصل ۳ — تابعِ خطی: شیب و عرض از مبدأ ساخته می‌شود، فقط با دو x به‌جای یکی. coef_ همان شیب‌هاست و intercept_ همان b. اگر می‌خواهی بدانی «شیب» دقیقاً چه می‌گوید، فصل ۴ همان ترم کاملاً همین است.

۳. اولین پیش‌بینی#

new_laptops = pd.DataFrame({
    "year": [2018, 2023],
    "ram_gb": [8.0, 16.0],
})

predictions = model.predict(new_laptops)
print(predictions.round(0))
[20233522. 35993734.]

مدل برای یک لپ‌تاپِ ۲۰۱۸ با ۸ گیگ حدودِ ۲۰٫۲ میلیون و برای یک ۲۰۲۳ با ۱۶ گیگ حدودِ ۳۶ میلیون پیش‌بینی کرد.

دو نکتهٔ فنیِ مهم:

  • ورودیِ predict باید همان ستون‌ها با همان نام و همان ترتیب را داشته باشد که موقعِ fit دادی. چون X یک DataFrame بود، مدل نام‌ها را به‌خاطر دارد و اگر ترتیب را جابه‌جا کنی خطا می‌دهد. خطرِ واقعی وقتی است که یک آرایهٔ numpy بی‌نام بدهی: مدل ستون‌ها را فقط از روی جایشان می‌شناسد و با یک هشدارِ ساده جوابِ غلط می‌دهد.
  • خروجی یک آرایهٔ numpy است، نه Series — از ترمِ ۲ می‌شناسی‌اش.

✅ چک کن: هر دو عدد باید مثبت و در محدودهٔ منطقیِ داده باشند (بینِ ۹ و ۶۰ میلیون). اگر عددِ منفی یا میلیاردی گرفتی، احتمالاً ستون‌ها را در یک آرایهٔ بی‌نام جابه‌جا داده‌ای — new_laptops را چاپ کن و با X.head() مقایسه‌اش کن.

این هم همان جابه‌جایی با یک DataFrame. خطا می‌گیری و همین خوب است:

model.predict(new_laptops[["ram_gb", "year"]])
ValueError: The feature names should match those that were passed during fit.
Feature names must be in the same order as they were in fit.

۴. اولین عددِ خطا#

پیش‌بینی داریم، ولی خوب است یا بد؟ ساده‌ترین راه: پیش‌بینیِ مدل روی همان دادهٔ آموزشی را با جوابِ واقعی مقایسه کن.

from sklearn.metrics import mean_absolute_error, root_mean_squared_error

predicted = model.predict(X)

print("MAE:", round(mean_absolute_error(y, predicted)))
print("RMSE:", round(root_mean_squared_error(y, predicted)))
MAE: 5132224
RMSE: 7697226
  • MAE (mean absolute error) میانگینِ قدرِمطلقِ خطاست: به‌طورِ متوسط، پیش‌بینیِ مدل ۵٫۱ میلیون با واقعیت فاصله دارد.
  • RMSE (root mean squared error) خطاها را مربع می‌کند، میانگین می‌گیرد، بعد جذر. چون مربع می‌کند، خطاهای بزرگ را خیلی بیشتر جریمه می‌کند.

اینکه RMSE (۷٫۷) از MAE (۵٫۱) بزرگ‌تر است، همیشه درست است و یک نکته می‌گوید: چند خطای خیلی بزرگ داری. اگر همهٔ خطاها یک‌اندازه بودند، این دو به هم نزدیک می‌شدند.

🌱 ریشه‌اش کجاست: «مربع کن، میانگین بگیر، جذر بگیر» همان کاری است که انحرافِ معیار می‌کند، و دلیلش هم همان است. ریشه، ترم ۸ فصل ۹ — تابعِ هزینه نشان می‌دهد چرا خطای مربعی این‌قدر در یادگیری ماشین مرکزی است.

۵. چرا این عدد هنوز بی‌ارزش است#

حالا مهم‌ترین بخشِ فصل. آن MAE: 5132224 را نگاه کن و باورش نکن — به دو دلیلِ کاملاً متفاوت:

دلیلِ اول: با چه چیزی مقایسه‌اش کردی؟ ۵٫۱ میلیون خطا زیاد است یا کم؟ نمی‌دانی، چون نمی‌دانی یک حدسِ کاملاً بی‌فکر چقدر خطا می‌داد. شاید اگر برای همه فقط میانگینِ قیمت را می‌گفتی، خطایت ۵٫۵ میلیون می‌شد — آن‌وقت کلِ این مدل تقریباً بی‌فایده است. فصلِ ۳ همین را می‌سازد.

دلیلِ دوم، و بدتر: این عدد را روی همان داده‌ای گرفتی که مدل با آن ساخته شده. مدل آن ۲۱۳ ردیف را «دیده» و ضریب‌هایش را طوری تنظیم کرده که روی همان‌ها خوب باشد. پرسیدنِ اینکه «چقدر خوب جواب می‌دهد؟» از روی همان داده، مثلِ این است که سؤال‌های امتحان را از قبل به کسی بدهی و بعد از نمره‌اش نتیجه بگیری چقدر بلد است. فصلِ ۴ کاملاً به این اختصاص دارد.

📏 اندازه بگیر: پس قاعده‌ای که از همین فصل با تو می‌آید: هیچ عددِ خطایی به‌تنهایی معنا ندارد. همیشه دو چیز باید کنارش باشد — با چه چیزی مقایسه شده (قانونِ ۲ دوره)، و روی چه داده‌ای گرفته شده (قانونِ ۳). عددی که این دو را ندارد، فقط یک عدد است. و در دو فصلِ بعد می‌بینی که همین عددِ ۵٫۱ میلیون، هر دو مشکل را با هم دارد.

۶. یک خطای واقعی: مقدارِ خالی در X#

raw = pd.read_csv("laptops_clean.csv")
LinearRegression().fit(raw[["year", "ram_gb"]], raw["price"])
ValueError: Input X contains NaN.
LinearRegression does not accept missing values encoded as NaN natively.

پیام صریح است و همان دلیلی است که در بخشِ ۱ dropna زدیم. scikit-learn عمداً مقدارِ خالی را نمی‌پذیرد و این طراحیِ خوبی است: مجبورت می‌کند خودت تصمیم بگیری با آن‌ها چه کنی، به‌جای اینکه بی‌سروصدا حدسی بزند.

🔧 اگر کار نکرد: سه راهِ اصلی داری و هر سه در فصل‌های بعد می‌آیند: حذفِ ردیف (همین فصل)، پُرکردن با میانه (فصلِ ۷، به‌شکلِ درستش)، یا مدلی که خودش خالی را می‌پذیرد (فصلِ ۱۰). هیچ‌کدام بی‌طرف نیستند — همان درسِ ترمِ ۲ فصلِ ۵.

🤖 از دستیارت بپرس: «تفاوتِ MAE و RMSE چیست و در چه شرایطی هرکدام معیارِ بهتری‌اند؟» جوابش را با تفاوتِ عددیِ بخشِ ۴ روی همین داده بسنج. بعد خودت این را امتحان کن: یک قیمتِ خیلی بزرگ به داده اضافه کن و ببین کدام معیار بیشتر تکان می‌خورد. حدست را قبل از اجرا بنویس.

واژه‌های تازهٔ این فصل#

کلمه تلفظ به حروف فارسی یعنی چه
fit فیت آموزشِ مدل روی داده
predict پریدیکت گرفتنِ پیش‌بینی برای ردیف‌های تازه
coef_ / intercept_ کوئِف / اینترسپت ضریبِ هر feature / مقدارِ پایه؛ خطِ زیرین یعنی «از داده یاد گرفته شده»
MAE اِم‌ای‌ای میانگینِ قدرمطلقِ خطا
RMSE آر‌اِم‌اِس‌ای جذرِ میانگینِ مربعِ خطا؛ خطای بزرگ را بیشتر جریمه می‌کند

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

عددِ ۵٫۱ میلیون را داری و نمی‌دانی خوب است یا بد. فصلِ بعد ساده‌ترین و پرارزش‌ترین کارِ کلِ این ترم را انجام می‌دهد: یک خطِ پایه می‌سازد — مدلی آن‌قدر احمق که هیچ‌چیز یاد نمی‌گیرد — و می‌پرسد مدلِ تو از آن بهتر است یا نه. جوابش ممکن است ناراحتت کند.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.