ویژگی و برچسب

آگهی ماشین

یه آگهی ماشین دست‌دوم رو باز کنید. سال ساخت، کارکرد، رنگ، تصادفی یا نه. و یه روز هم بالاخره به یه قیمتی فروش می‌ره.

حالا فرض کنید هزاران آگهی قدیمی داریم، با قیمتی که هر کدوم آخرش فروش رفت. می‌خوایم مدلی بسازیم که برای یه آگهی تازه، قیمت فروش رو حدس بزنه. همه‌ی چیزی که لازم داریم، توی همین دو تیکه‌ست.

ویژگی، برچسب

• ویژگی (یا فیچر): هر چیزی که مدل از یه نمونه می‌بینه و اندازه‌پذیره. اینجا سال ساخت، کارکرد، رنگ، تصادفی.
• برچسب (یا لیبل): جوابی که مدل باید یاد بگیره حدس بزنه. اینجا قیمتی که فروش رفت.

توی جدول درس قبل، ویژگی‌ها ستون‌های وسط بودن و برچسب ستون آخر. موقع آموزش، مدل هر دو رو می‌بینه. موقع استفاده، فقط ویژگی‌ها رو می‌بینه و برچسب رو خودش حدس می‌زنه. درس داده.

عددی و دسته‌ای

ویژگی‌ها دو جور رایج دارن:

• عددی: چیزی که با عدد اندازه گرفته می‌شه و بزرگ‌تر و کوچیک‌ترش معنی داره. هشتاد هزار کیلومتر بیشتر از پنجاه هزاره.
• دسته‌ای: یکی از چند حالت. «سفید» از «مشکی» بزرگ‌تر نیست؛ فقط فرق داره. این‌ها رو باید یه جوری به عدد تبدیل کرد. درس تبدیل دسته به عدد.

ویژگی خوب

هر ستونی که داشتیم رو نباید به مدل داد. ویژگی خوب به جواب ربط داره و نمونه‌ها رو از هم جدا می‌کنه:

کارکرد و سال ساخت به قیمت ربط دارن. رنگ جاکلیدی‌ای که فروشنده توی عکس گذاشته، هیچ ربطی نداره. ولی اگه بدیمش به مدل، شاید یه الگوی الکی توش پیدا کنه؛ مثل همون برف و گرگ. درس یادگیری ماشین چه کاری نمی‌کنه. ساختن ویژگی‌های بهتر از خود داده هم یه هنره: مهندسی ویژگی.

ستون تقلب

فرض کنید می‌خوایم حدس بزنیم یه نفر سر کارش دیر می‌رسه یا نه. یکی از ستون‌ها هم «چند دقیقه دیر کرد»ه. مدل عالی جواب می‌ده؛ چون این ستون خودش جوابه:

مثل امتحانی که جوابش گوشه‌ی برگه نوشته شده. توی آزمون نمره‌ی بیست می‌گیره، ولی روز واقعی، اون ستون هنوز وجود نداره؛ چون هنوز دیر نکرده. به این می‌گن نشت داده: اطلاعاتی که موقع آموزش هست ولی موقع پیش‌بینی نیست. نتیجه‌ی آزمون رو الکی خوب نشون می‌ده.

یه قاعده‌ی ساده: هر ویژگی رو بپرسید «لحظه‌ای که مدل باید حدس بزنه، اینو داریم؟». اگه نه، کنارش بذارید. اینکه داده رو چطور برای آزمون جدا کنیم که گول نخوریم، درس بعده: داده‌ی آموزش، اعتبارسنجی و آزمون.