# فصل ۰۳ — خطِ پایه: قبل از هر مدلی

<div dir="rtl">

# فصل ۰۳ — خطِ پایه: قبل از هر مدلی

## در این فصل چه یاد می‌گیری

فصلِ قبل یک مدل ساختی و خطایش ۵٫۱ میلیون شد. عددِ خوبی است یا بد؟ تا وقتی ندانی یک حدسِ **کاملاً بی‌فکر** چقدر خطا می‌دهد، هیچ جوابی نداری. در این فصل ساده‌ترین و پرارزش‌ترین کارِ کلِ ترم را انجام می‌دهی: یک **خطِ پایه** می‌سازی — مدلی آن‌قدر ساده که هیچ‌چیز یاد نمی‌گیرد — و مدلت را در برابرش می‌سنجی. این قانونِ دومِ دوره است و پنج دقیقه وقت می‌گیرد؛ نبودش ماه‌ها وقت هدر می‌دهد.

![یک ترازوی دوکفه‌ای که در یک کفه‌اش یک وزنهٔ سادهٔ استاندارد و در کفهٔ دیگر یک دستگاهِ پیچیده است](/lesson-assets/t3-s03-baseline/prompt/01-image-baseline-scale.png)

آخر این فصل می‌توانی:

- با `DummyRegressor` یک خطِ پایه بسازی
- بگویی چرا مقایسه با خطِ پایه اجباری است، نه اختیاری
- بهبودِ مدلت را به‌صورتِ **درصد** بیان کنی
- برای هر نوع مسئله‌ای خطِ پایهٔ مناسبش را انتخاب کنی

## قبل از شروع

**از فصل ۲:** `fit`، `predict`، `MAE` و `RMSE`.

**از فصل ۱:** پنج سؤالی که «مدل خوب است» را بی‌معنا می‌کنند — این فصل سؤالِ چهارم را جواب می‌دهد.

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/sarnakh/term-3-machine-learning/session-03-baseline.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. احمق‌ترین مدلِ ممکن

ساده‌ترین «پیش‌بینی»ای که می‌شود کرد این است: **برای هر ردیف، میانگینِ همه را بگو.** هیچ نگاهی به featureها نمی‌کند و همیشه یک عدد می‌دهد.

</div>

```python
import pandas as pd
from sklearn.dummy import DummyRegressor
from sklearn.metrics import mean_absolute_error, root_mean_squared_error

df = pd.read_csv("laptops_clean.csv").dropna(subset=["ram_gb"]).reset_index(drop=True)
X = df[["year", "ram_gb"]]
y = df["price"]

baseline = DummyRegressor(strategy="mean")
baseline.fit(X, y)
baseline_pred = baseline.predict(X)

print("پیش‌بینی خط پایه برای سه ردیف اول:", baseline_pred[:3].round(0))
print("MAE خط پایه:", round(mean_absolute_error(y, baseline_pred)))
print("RMSE خط پایه:", round(root_mean_squared_error(y, baseline_pred)))
```

<div dir="rtl">

</div>

```text
پیش‌بینی خط پایه برای سه ردیف اول: [26791549. 26791549. 26791549.]
MAE خط پایه: 8221781
RMSE خط پایه: 10539861
```

<div dir="rtl">

هر سه ردیف همان یک عدد را گرفتند، چون `DummyRegressor` واقعاً هیچ‌چیز یاد نمی‌گیرد. `X` را می‌گیرد و کاملاً نادیده‌اش می‌گیرد.

و همین که هیچ‌چیز یاد نمی‌گیرد، **دقیقاً نکته‌اش است**: عددی که می‌دهد، «هزینهٔ ندانستن» است.

## ۲. مقایسه

</div>

```python
from sklearn.linear_model import LinearRegression

model = LinearRegression().fit(X, y)
model_mae = mean_absolute_error(y, model.predict(X))
base_mae = mean_absolute_error(y, baseline_pred)

print("MAE مدل:", round(model_mae))
print("MAE خط پایه:", round(base_mae))
print("بهبود:", round((1 - model_mae / base_mae) * 100, 1), "درصد")
```

<div dir="rtl">

</div>

```text
MAE مدل: 5132224
MAE خط پایه: 8221781
بهبود: 37.6 درصد
```

<div dir="rtl">

**حالا آن عددِ ۵٫۱ میلیون معنا دارد.** مدل خطا را نسبت به «هیچ‌چیز ندانستن» حدودِ **۳۸ درصد** کم کرده.

این نه فوق‌العاده است و نه بی‌ارزش — یک نتیجهٔ **واقعی** است، و مهم‌تر اینکه حالا یک عددِ مرجع داری: هر تغییری که از این به بعد بدهی، می‌توانی بگویی چقدر جلو یا عقب رفتی.

> 📏 **اندازه بگیر:** **درصدِ بهبود را گزارش کن، نه خطای خام را.** «MAE برابرِ ۵٫۱ میلیون» به کسی که داده را نمی‌شناسد هیچ نمی‌گوید. «۳۸ درصد بهتر از حدسِ میانگین» بلافاصله فهمیده می‌شود و در هر حوزه و هر واحدی قابلِ‌مقایسه است. این تنها شکلِ درستِ گزارشِ عملکردِ یک مدل است.

## ۳. خطِ پایه‌های دیگر

`strategy="mean"` تنها گزینه نیست:

</div>

```python
for strategy in ["mean", "median"]:
    dummy = DummyRegressor(strategy=strategy).fit(X, y)
    mae = mean_absolute_error(y, dummy.predict(X))
    print(f"{strategy}: MAE = {round(mae)}")
```

<div dir="rtl">

</div>

```text
mean: MAE = 8221781
median: MAE = 8175117
```

<div dir="rtl">

میانه کمی بهتر است، و دلیلش را از ترمِ ۲ می‌دانی: توزیعِ قیمت **چوله به راست** است و چند لپ‌تاپِ خیلی گران، میانگین را بالا کشیده‌اند. میانه به آن‌ها بی‌اعتناست.

نکتهٔ ظریف: `MAE` ذاتاً با میانه سازگارتر است و `RMSE` با میانگین. اگر معیارت را عوض کنی، خطِ پایهٔ بهترت هم عوض می‌شود.

> 🌱 **ریشه‌اش کجاست:** اینکه چرا میانه در برابرِ چند مقدارِ خیلی بزرگ تکان نمی‌خورد ولی میانگین می‌خورد — و چرا همین باعث می‌شود میانه خطِ پایهٔ بهتری برای `MAE` باشد — دقیقاً موضوعِ [ریشه، ترم ۶ فصل ۶ — میانگین، میانه، پراکندگی](/courses/risheh/lessons/term-6-probability-statistics/session-06-center-spread) است.

**قبل از ادامه، جواب بده:** کدام خطِ پایه را باید گزارش کنی؟ جواب: **سخت‌گیرانه‌ترین‌شان.** اگر میانه بهتر است، مدلت را با میانه مقایسه کن، نه با میانگین. انتخابِ خطِ پایهٔ ضعیف‌تر، عددِ بهبودت را بی‌خود بزرگ می‌کند — و این همان جایی است که یک گزارش از صادق به فریبنده تبدیل می‌شود، بدونِ اینکه هیچ عددی غلط باشد.

## ۴. خطِ پایه برای مسئله‌های دیگر

</div>

| نوعِ مسئله | خطِ پایهٔ درست | چرا |
|---|---|---|
| `regression` | میانگین یا میانهٔ `y` | ساده‌ترین حدسِ ممکن |
| `classification` | همیشه پرتکرارترین دسته را بگو | اگر ۹۵٪ داده یک دسته باشد، این ۹۵٪ درست است |
| سریِ زمانی | «فردا مثلِ امروز است» | شگفت‌آور قوی؛ خیلی از مدل‌ها شکستش نمی‌دهند |
| متن | شمارشِ کلمهٔ ساده + مدلِ خطی | قبل از هر مدلِ زبانیِ سنگین |

<div dir="rtl">

ردیفِ دوم مهم‌ترینشان است و در فصلِ ۶ کاملاً بازش می‌کنیم. یک نمونه‌اش را همین‌جا ببین:

</div>

```python
from sklearn.dummy import DummyClassifier
from sklearn.metrics import accuracy_score

df["is_apple"] = df["brand"] == "اپل"
y_class = df["is_apple"]

clf_baseline = DummyClassifier(strategy="most_frequent").fit(X, y_class)
print("نسبت اپل در داده:", round(y_class.mean(), 3))
print("accuracy خط پایه:", round(accuracy_score(y_class, clf_baseline.predict(X)), 3))
```

<div dir="rtl">

</div>

```text
نسبت اپل در داده: 0.127
accuracy خط پایه: 0.873
```

<div dir="rtl">

**یک مدل که همیشه می‌گوید «اپل نیست»، ۸۷٫۳ درصد درست است.**

حالا تصور کن کسی مدلی بسازد و با افتخار بگوید «۸۷ درصد دقت گرفتم». آن مدل **هیچ‌چیز** یاد نگرفته و دقیقاً به‌اندازهٔ یک جملهٔ ثابت خوب است. بدونِ خطِ پایه، هیچ راهی نداشتی که بفهمی.

> ⚠️ **مواظب باش:** این پرتکرارترین راهی است که یک نتیجهٔ یادگیری ماشین دروغ می‌گوید، و تقریباً همیشه بی‌قصد اتفاق می‌افتد. هر جا دسته‌ها نامتوازن‌اند — تشخیصِ تقلب، بیماریِ نادر، خرابیِ دستگاه — عددِ `accuracy` به‌تنهایی تقریباً همیشه بی‌معناست. فصلِ ۶ کاملاً به همین اختصاص دارد.

## ۵. خطِ پایه فقط یک عدد نیست، یک عادت است

خطِ پایه در دو لحظه به‌کار می‌آید و هر دو مهم‌اند:

**اول پروژه.** قبل از هر مدلی، خطِ پایه بگیر. اگر مدلِ پیچیده‌ات از خطِ پایه بهتر نیست، مسئله‌ات یا داده‌ات مشکل دارد، نه انتخابِ الگوریتمت. **این پنج دقیقه، هفته‌ها وقت نجات می‌دهد.**

**وسطِ پروژه.** هر تغییری که می‌دهی — feature تازه، الگوریتمِ دیگر، تنظیمِ پارامتر — باید در برابرِ همان مرجع سنجیده شود. بدونِ آن، فقط داری عددها را جابه‌جا می‌کنی.

</div>

```python
results = {
    "خط پایه (میانه)": mean_absolute_error(y, DummyRegressor(strategy="median").fit(X, y).predict(X)),
    "فقط سال": mean_absolute_error(y, LinearRegression().fit(df[["year"]], y).predict(df[["year"]])),
    "سال + حافظه": model_mae,
}
best_base = results["خط پایه (میانه)"]
for name in results:
    gain = (1 - results[name] / best_base) * 100
    print(f"{name}: MAE = {round(results[name])} | بهبود = {round(gain, 1)}٪")
```

<div dir="rtl">

</div>

```text
خط پایه (میانه): MAE = 8175117 | بهبود = 0.0٪
فقط سال: MAE = 5779912 | بهبود = 29.3٪
سال + حافظه: MAE = 5132224 | بهبود = 37.2٪
```

<div dir="rtl">

این جدول همان چیزی است که باید در هر پروژه داشته باشی. حالا می‌بینی که **بیشترِ کار را `year` انجام داده** (۲۹ درصد از ۳۷) و `ram_gb` حدودِ هشت درصد اضافه کرده.

این یک اطلاعاتِ گران‌بهاست: اگر جمع‌آوریِ `ram_gb` هزینه‌بر باشد، شاید اصلاً نیارزد.

> ✅ **چک کن:** ردیفِ اول باید دقیقاً `0.0` بهبود بدهد — خطِ پایه در برابرِ خودش. اگر عددِ دیگری دیدی، دو معیارِ متفاوت را قاطی کرده‌ای.

## ۶. یک خطای واقعی: خطِ پایه روی `y` اشتباه

آخرین دام، و از همه موذی‌تر: خطِ پایهٔ **رگرسیون** را روی یک `y` **دسته‌ای** بگذاری.

</div>

```python
from sklearn.metrics import accuracy_score

wrong = DummyRegressor(strategy="mean").fit(X, y_class)

print("خروجی DummyRegressor روی y دسته‌ای:", wrong.predict(X)[:3].round(4))
print("نسبت واقعی اپل در داده:", round(float(y_class.mean()), 4))
```

<div dir="rtl">

</div>

```text
خروجی DummyRegressor روی y دسته‌ای: [0.1268 0.1268 0.1268]
نسبت واقعی اپل در داده: 0.1268
```

<div dir="rtl">

**هیچ خطایی نگرفتی** — و همین بدترین بخشش است. `DummyRegressor` مقدارهای `True`/`False` را مثلِ ۱ و ۰ حساب کرد و میانگینشان را داد: `0.1268`، که همان **نسبتِ** اپل در داده است، نه یک **دسته**. عددی گرفتی که هیچ‌وقت نمی‌تواند جوابِ «اپل هست یا نه» باشد.

خطا وقتی بیرون می‌زند که بخواهی این عدد را مثلِ یک پیش‌بینیِ دسته‌ای بسنجی:

</div>

```python-broken
accuracy_score(y_class, wrong.predict(X))
```

<div dir="rtl">

</div>

```text
ValueError: Classification metrics can't handle a mix of binary and continuous targets
```

<div dir="rtl">

پیام دقیقاً همان چیزی را می‌گوید که اتفاق افتاد: یک طرف دسته‌ای است و طرفِ دیگر عددِ پیوسته. برای مسئلهٔ دسته‌ای باید از همان اول `DummyClassifier` به‌کار می‌بردی.

> 🔧 **اگر کار نکرد:** قاعده ساده است: `y` عددیِ پیوسته ← `Regressor`؛ `y` دسته‌ای ← `Classifier`. و همین دوگانگی در همهٔ `scikit-learn` تکرار می‌شود. **قبل از انتخابِ خطِ پایه، `y.dtype` و `y.nunique()` را چاپ کن** — دو عدد که در پنج ثانیه می‌گویند با کدام نوع مسئله طرفی.

> 🤖 **از دستیارت بپرس:** «برای پیش‌بینیِ تعدادِ فروشِ فردای یک فروشگاه، سه خطِ پایهٔ متفاوت پیشنهاد بده و بگو هرکدام چه فرضی دربارهٔ داده می‌کنند.» جوابش احتمالاً «میانگینِ کل»، «فروشِ دیروز» و «میانگینِ همین روزِ هفته در هفته‌های قبل» را می‌آورد. سومی معمولاً از هر دوی دیگر بهتر است — و همان چیزی است که خیلی‌ها فراموش می‌کنند خطِ پایه هم می‌تواند هوشمند باشد.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| baseline | بِیس‌لاین | ساده‌ترین پیش‌بینیِ ممکن؛ مرجعِ سنجشِ هر مدل |
| DummyRegressor / DummyClassifier | دامی رگرسور / کلسیفایر | مدل‌های عمداً بی‌سواد برای ساختنِ خطِ پایه |
| accuracy | اَکیوراسی | نسبتِ پیش‌بینی‌های درست در مسئلهٔ دسته‌ای |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا مدلی که ۸۷ درصد `accuracy` دارد می‌تواند کاملاً بی‌ارزش باشد؟

**تمرینِ اجباری:** جدولِ بخشِ ۵ را کامل کن: یک ردیف اضافه کن که مدل را فقط با `ram_gb` بسازد، و یک ردیف که `is_apple` را هم به `X` اضافه کند. حالا پنج ردیف داری، با خودِ خطِ پایه. کدام `feature` بیشترین سهم را داشت؟ آیا افزودنِ `is_apple` بیشتر از افزودنِ `ram_gb` کمک کرد؟

**تمرینِ ستاره‌دار ⭐:** یک خطِ پایهٔ **هوشمندتر** بساز که `DummyRegressor` نیست: برای هر ردیف، **میانگینِ قیمتِ همان سال** را پیش‌بینی کن (با `groupby` از ترمِ ۲). `MAE` آن را حساب کن. آیا از مدلِ خطیِ ما بهتر است؟ اگر بله — که کاملاً ممکن است — یک جمله بنویس دربارهٔ اینکه این چه چیزی به تو می‌گوید. **خطِ پایه‌ای که مدلت را شکست می‌دهد، بدترین خبر و مفیدترین خبرِ ممکن است.**

## در فصل بعد

حالا می‌دانی مدلت ۳۷ درصد از حدسِ ساده بهتر است. ولی هر دو عدد — هم مالِ مدل و هم مالِ خطِ پایه — روی **همان داده‌ای** گرفته شده‌اند که مدل با آن ساخته شد.

فصلِ بعد یک فصلِ ⚠️ است و **ستونِ کلِ این دوره**. آنجا می‌بینی چرا این کار مثلِ دادنِ سؤال‌های امتحان به کسی قبل از امتحان و بعد نتیجه‌گیری از نمره‌اش است، سه راهِ متفاوت را می‌بینی که یک نتیجه را بی‌سروصدا بهتر از واقعیت نشان می‌دهند، و یک قاعده یاد می‌گیری که تا آخرِ عمرِ حرفه‌ای‌ات با تو می‌ماند.

</div>

---
Source: https://yaadestan.com/courses/sarnakh/lessons/t3/s03-baseline (یادستان, Yaadestan)
