# فصل ۰۲ — اولین مدل: از داده تا پیش‌بینی

<div dir="rtl">

# فصل ۰۲ — اولین مدل: از داده تا پیش‌بینی

## 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](/lesson-assets/t3-s02-first-model/prompt/01-image-fit-predict.png)

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](/notebooks/sarnakh/term-3-machine-learning/session-02-first-model.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. آماده‌کردنِ داده

</div>

```python
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)
```

<div dir="rtl">

</div>

```text
X: (213, 2) | y: (213,)
```

<div dir="rtl">

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

</div>

```python
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_))
```

<div dir="rtl">

</div>

```text
ضریب‌ها: [2558156.  371179.]
عرض از مبدأ: -5145093949
```

<div dir="rtl">

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](/courses/risheh/lessons/term-4-functions/session-03-linear-function) 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](/courses/risheh/lessons/term-4-functions/session-04-slope-meaning) کاملاً همین است.

## ۳. اولین پیش‌بینی

</div>

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

predictions = model.predict(new_laptops)
print(predictions.round(0))
```

<div dir="rtl">

</div>

```text
[20233522. 35993734.]
```

<div dir="rtl">

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:

</div>

```python-broken
model.predict(new_laptops[["ram_gb", "year"]])
```

<div dir="rtl">

</div>

```text
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.
```

<div dir="rtl">

## 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.**

</div>

```python
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)))
```

<div dir="rtl">

</div>

```text
MAE: 5132224
RMSE: 7697226
```

<div dir="rtl">

- **`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](/courses/risheh/lessons/term-8-calculus-ml/session-09-loss-function) 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`

</div>

```python-broken
raw = pd.read_csv("laptops_clean.csv")
LinearRegression().fit(raw[["year", "ram_gb"]], raw["price"])
```

<div dir="rtl">

</div>

```text
ValueError: Input X contains NaN.
LinearRegression does not accept missing values encoded as NaN natively.
```

<div dir="rtl">

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

</div>

| 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 |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا `RMSE` تقریباً همیشه از `MAE` بزرگ‌تر است، و اختلافِ زیادشان چه چیزی می‌گوید؟

**تمرینِ اجباری:** مدل را دوباره بساز، این بار فقط با `feature` سال (بدونِ `ram_gb`). `MAE` را حساب کن و با عددِ این فصل مقایسه کن. چقدر بدتر شد؟ حالا بنویس: افزودنِ `ram_gb` چقدر ارزش داشت؟ عددش را بده، نه یک جملهٔ کیفی.

**تمرینِ ستاره‌دار ⭐:** ستونِ `brand` یک `feature` واضحاً مفید است (ترمِ ۲ نشان داد اپل دو برابرِ بقیه است) ولی متن است و `LinearRegression` نمی‌پذیردش. یک راهِ **دستی** امتحان کن: ستونی به‌نامِ `is_apple` بساز که صفر یا یک باشد، به `X` اضافه‌اش کن، و `MAE` را دوباره بگیر. چقدر بهتر شد؟ بعد از خودت بپرس: اگر پنج برند داشتیم، آیا `brand` را به صفر تا چهار تبدیل می‌کردی؟ چرا این کار می‌تواند اشتباه باشد؟ (فصلِ ۷ جوابِ درست را می‌دهد.)

## 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.

</div>

---
Source: https://yaadestan.com/courses/sarnakh/lessons/t3/s02-first-model (یادستان, Yaadestan)
