داده در ماشین لرنینگ
شناخت ساختار داده در ML: ویژگی (Feature)، برچسب (Label)، انواع متغیرها و قالب جدولی داده
داده؛ سوخت ماشین لرنینگ
ماشین لرنینگ بدون داده مثل خودرو بدون سوخت است! در این مبحث ساختار داده در ML را می‌شناسیم.
ویژگی و برچسب
داده در یادگیری نظارت‌شده از دو بخش تشکیل می‌شود:
- ویژگی (Feature): ورودی‌های مدل؛ متغیرهایی که از آن‌ها پیش‌بینی می‌کنیم. با
Xنمایش داده میشوند - برچسب (Label/Target): خروجی موردنظر؛ چیزی که می‌خواهیم پیش‌بینی کنیم. با
yنمایش داده می‌شود
مثال: در پیش‌بینی قیمت خانه، متراژ و تعداد اتاق «ویژگی» هستند و قیمت «برچسب».
قالب جدولی داده
داده ML معمولاً یک جدول است: هر سطر یک نمونه (نمونه‌ای از پدیده) و هر ستون یک ویژگی:
| متراژ | اتاق | سن بنا | قیمت (برچسب) |
|---|---|---|---|
| ۱۲۰ | ۳ | ۵ | ۶۰ |
| ۸۰ | ۲ | ۱۰ | ۴۰ |
| ۲۰۰ | ۴ | ۲ | ۱۰۰ |
انواع متغیرها
- عددی پیوسته (Continuous): اعداد واقعی مثل قیمت، دما، قد
- عددی گسسته (Discrete): اعداد شمارشی مثل تعداد اتاق
- دسته‌ای ترتیبی (Ordinal): دسته‌ها با ترتیب مثل تحصیلات (دیپلم، کارشناسی، ارشد)
- دسته‌ای اسمی (Nominal): دسته‌ها بدون ترتیب مثل شهر و رنگ
قراردادهای نام‌گذاری
X: ماتریس ویژگیها (حرف بزرگ چون دوبعدی است)y: بردار برچسب‌ها (حرف کوچک چون یک‌بعدی است)X_train, y_train: داده آموزشX_test, y_test: داده تست
کیفیت مدل مستقیماً به کیفیت داده بستگی دارد. «Garbage in, garbage out» — داده بد یعنی پیش‌بینی بد!
جمع‌بندی
- ویژگیها ورودی (
X) و برچسب خروجی (y) مدل هستند - هر سطر جدول یک نمونه و هر ستون یک ویژگی است
- نوع متغیر (عددی/دسته‌ای) روش آماده‌سازی را تعیین می‌کند
این مبحث بخشی از دوره آموزش کامل ماشین لرنینگ است.