উদাহরণসহ একটি বেসিক মডেল তৈরি করা

এখানে একটি বেসিক মেশিন লার্নিং মডেল তৈরি করার সম্পূর্ণ প্রক্রিয়া আলোচনা করা হলো, যা ব্যবহারকারীদের জন্য উপকারী হতে পারে। আমরা একটি সাধারণ রিগ্রেশন মডেল তৈরি করবো, যেখানে আমরা বাড়ির মূল্য পূর্বাভাস করার জন্য একটি ডেটাসেট ব্যবহার করব।

প্রজেক্টের উদ্দেশ্য: বাড়ির মূল্য পূর্বাভাস মডেল তৈরি

ডেটাসেট উদাহরণ:

আমরা একটি সিম্পল ডেটাসেট ব্যবহার করবো, যেখানে বাড়ির মূল্য, বেডরুমের সংখ্যা, বাথরুমের সংখ্যা, স্কোয়ার ফুট এবং ইয়াড সাইজ থাকবে।

# housing_data.csv
ID,Price,Bedrooms,Bathrooms,Square_Feet,Yard_Size
1,250000,3,2,1500,500
2,300000,4,3,2000,800
3,150000,2,1,900,300
4,400000,4,3,2500,700
5,180000,2,1,1200,200

ধাপ ১: লাইব্রেরি ইনস্টল এবং লোড করা

প্রয়োজনীয় লাইব্রেরিগুলি ইনস্টল করুন:

pip install pandas scikit-learn

এবং Python স্ক্রিপ্টের শুরুতে লাইব্রেরিগুলি লোড করুন:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

ধাপ ২: ডেটাসেট লোড করা

# ডেটাসেট লোড করা
data = pd.read_csv('housing_data.csv')

# ডেটা দেখুন
print(data.head())

ধাপ ৩: ফিচার এবং টার্গেট সেট করা

# ফিচার এবং টার্গেট নির্ধারণ
X = data[['Bedrooms', 'Bathrooms', 'Square_Feet', 'Yard_Size']]
y = data['Price']

ধাপ ৪: ডেটা বিভাজন

Training এবং Validation Dataset তৈরি করুন:

# ডেটা বিভাজন
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

print(f'Training data size: {X_train.shape[0]}')
print(f'Validation data size: {X_val.shape[0]}')

ধাপ ৫: মডেল তৈরি ও প্রশিক্ষণ

# রিগ্রেশন মডেল তৈরি
model = LinearRegression()

# মডেল প্রশিক্ষণ
model.fit(X_train, y_train)

ধাপ ৬: মডেল মূল্যায়ন

মডেলের কার্যকারিতা পরীক্ষা করুন:

# Validation সেটের উপর পূর্বাভাস
y_pred = model.predict(X_val)

# মূল্যায়ন
mse = mean_squared_error(y_val, y_pred)
r2 = r2_score(y_val, y_pred)

print(f'Mean Squared Error: {mse}')
print(f'R-squared: {r2}')

ধাপ ৭: নতুন ডেটার জন্য পূর্বাভাস

নতুন ডেটা দিয়ে মডেলটি ব্যবহার করুন:

# নতুন ডেটার জন্য পূর্বাভাস
new_data = pd.DataFrame({
    'Bedrooms': [3],
    'Bathrooms': [2],
    'Square_Feet': [1600],
    'Yard_Size': [600]
})

predicted_price = model.predict(new_data)
print(f'Predicted Price: {predicted_price[0]}')

সারসংক্ষেপ

এই প্রক্রিয়ায়, আমরা একটি বেসিক রিগ্রেশন মডেল তৈরি করেছি যা বাড়ির মূল্য পূর্বাভাস করার জন্য ব্যবহৃত হয়েছে। ডেটাসেট লোড করা, ফিচার এবং টার্গেট সেট করা, ডেটা বিভাজন, মডেল প্রশিক্ষণ, এবং মূল্যায়ন করা সব ধাপগুলো সম্পন্ন হয়েছে। এটি একটি সাধারণ প্রক্রিয়া, তবে মডেল তৈরি করার জন্য একটি কার্যকরী পদ্ধতি।