মডেল ট্রেনিং এবং প্রেডিকশন

মডেল ট্রেনিং এবং প্রেডিকশন হল মেশিন লার্নিংয়ের দুটি মৌলিক এবং গুরুত্বপূর্ণ পর্যায়। এখানে LightGBM ব্যবহার করে এই প্রক্রিয়াগুলি কীভাবে কাজ করে তা বিস্তারিতভাবে আলোচনা করা হলো।

১. মডেল ট্রেনিং

মডেল ট্রেনিং হল ডেটা ব্যবহার করে মডেল তৈরি করার প্রক্রিয়া। এতে মডেলটি ডেটা থেকে শিখে এবং নির্দিষ্ট কার্যক্রমে (যেমন ক্লাসিফিকেশন বা রিগ্রেশন) দক্ষতা অর্জন করে।

ট্রেনিং প্রক্রিয়া:

• ডেটা প্রস্তুতি: ডেটা সংগ্রহ, পরিষ্কার এবং প্রস্তুত করা।
• মডেল নির্বাচন: একটি উপযুক্ত মডেল বেছে নেওয়া (যেমন LightGBM)।
• হাইপারপ্যারামিটার সেটিং: মডেলটির কার্যক্ষমতা বাড়ানোর জন্য হাইপারপ্যারামিটার নির্ধারণ করা।
• মডেল প্রশিক্ষণ: ডেটা ব্যবহার করে মডেলটিকে প্রশিক্ষণ দেওয়া।

LightGBM ব্যবহার করে ট্রেনিং:

import lightgbm as lgb
from sklearn.model_selection import train_test_split

# ডেটা লোড করা
data = pd.read_csv('your_dataset.csv')  # আপনার ডেটাসেটের নাম দিন
X = data.drop('target_column', axis=1)
y = data['target_column']

# প্রশিক্ষণ এবং টেস্ট সেটে বিভক্ত করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# LightGBM Dataset তৈরি করা
train_data = lgb.Dataset(X_train, label=y_train)

# হাইপারপ্যারামিটার সেটিং
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
    'boosting_type': 'gbdt',
    'verbose': -1
}

# মডেল প্রশিক্ষণ
gbm = lgb.train(params, train_data, num_boost_round=100)

২. প্রেডিকশন

প্রেডিকশন হল প্রশিক্ষিত মডেলের মাধ্যমে নতুন ডেটার উপর ফলাফল তৈরি করা। এটি মূলত প্রশিক্ষিত মডেলটি নতুন ইনপুট ডেটা গ্রহণ করে এবং আউটপুট প্রদান করে।

প্রেডিকশন প্রক্রিয়া:

• নতুন ডেটা প্রস্তুতি: প্রেডিকশন করার জন্য নতুন ডেটা প্রস্তুত করা।
• মডেল ব্যবহার: প্রশিক্ষিত মডেলটি নতুন ডেটার উপর পূর্বাভাস তৈরি করে।

LightGBM ব্যবহার করে প্রেডিকশন:

# পূর্বাভাস তৈরি করা
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)

# 0.5 থ্রেশহোল্ড ব্যবহার করে বাইনারি ক্লাসিফিকেশন
y_pred_binary = np.where(y_pred > 0.5, 1, 0)

# ফলাফল বিশ্লেষণ
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred_binary)
print(f'Accuracy: {accuracy:.2f}')

সারসংক্ষেপ

মডেল ট্রেনিং হল ডেটার মাধ্যমে মডেল তৈরি করার প্রক্রিয়া, যেখানে মডেলটি ডেটা থেকে শিখে এবং দক্ষতা অর্জন করে। প্রেডিকশন হল প্রশিক্ষিত মডেলের মাধ্যমে নতুন ডেটার উপর ফলাফল তৈরি করা। LightGBM ব্যবহার করে উভয় প্রক্রিয়া সহজেই সম্পন্ন করা যায়, যা মেশিন লার্নিং প্রকল্পগুলিতে একটি শক্তিশালী টুল হিসেবে কাজ করে।

LightGBM ব্যবহার করে একটি মেশিন লার্নিং মডেল ট্রেনিং করার প্রক্রিয়া নিম্নলিখিত পদক্ষেপগুলো অনুসরণ করে করা যায়। এখানে একটি সাধারণ উদাহরণ দেওয়া হচ্ছে যা একটি ক্লাসিফিকেশন সমস্যা সমাধানে LightGBM ব্যবহার করে।

প্রয়োজনীয়তা

1. Python: আপনার সিস্টেমে Python 3.x ইনস্টল থাকতে হবে।
2. LightGBM: LightGBM আপনার সিস্টেমে ইনস্টল করা থাকতে হবে। ইনস্টল করার জন্য LightGBM ইনস্টলেশন গাইড অনুসরণ করুন।
3. অন্য লাইব্রেরি: pandas, numpy, sklearn এবং lightgbm লাইব্রেরি ইনস্টল করতে হবে।

পদক্ষেপ 1: লাইব্রেরি ইনস্টলেশন

pip install pandas numpy scikit-learn lightgbm

পদক্ষেপ 2: ডেটাসেট প্রস্তুতি

এখানে আমরা একটি উদাহরণ হিসাবে Iris ডেটাসেট ব্যবহার করব। আপনি আপনার নিজস্ব ডেটাসেটও ব্যবহার করতে পারেন।

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Iris ডেটাসেট লোড করা
iris = load_iris()
X = iris.data
y = iris.target

# ডেটাসেট ট্রেনিং এবং টেস্ট সেটে বিভক্ত করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

পদক্ষেপ 3: LightGBM মডেল ট্রেনিং

import lightgbm as lgb

# ডেটাসেট LightGBM ডেটা ফরম্যাটে রূপান্তরিত করা
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test)

# LightGBM মডেল ট্রেনিংয়ের জন্য প্যারামিটার সেট করা
params = {
    'objective': 'multiclass',
    'num_class': 3,
    'metric': 'multi_logloss',
    'boosting_type': 'gbdt',
    'learning_rate': 0.1,
    'num_leaves': 31,
    'verbose': -1
}

# মডেল ট্রেনিং
model = lgb.train(params, train_data, valid_sets=test_data, num_boost_round=100, early_stopping_rounds=10)

পদক্ষেপ 4: পূর্বাভাস করা

মডেল ট্রেনিংয়ের পরে, আমরা টেস্ট সেটে পূর্বাভাস করতে পারি।

# টেস্ট সেটের উপর পূর্বাভাস করা
y_pred = model.predict(X_test)
y_pred_max = [list(x).index(max(x)) for x in y_pred]  # সর্বাধিক সম্ভাব্য শ্রেণী নির্বাচন করা

পদক্ষেপ 5: মডেল মূল্যায়ন

মডেলের কার্যকারিতা মূল্যায়ন করার জন্য, আমরা কিছু মেট্রিক ব্যবহার করতে পারি যেমন সঠিকতা।

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred_max)
print(f'Accuracy: {accuracy:.2f}')

উপসংহার

এখন আপনি LightGBM ব্যবহার করে একটি মৌলিক মডেল ট্রেনিং প্রক্রিয়া সম্পন্ন করেছেন। LightGBM একটি শক্তিশালী এবং কার্যকরী গ্রেডিয়েন্ট বুস্টিং অ্যালগরিদম, যা ক্লাসিফিকেশন এবং রিগ্রেশন উভয় সমস্যায় উচ্চ কার্যকারিতা প্রদর্শন করে। এই উদাহরণটি কিভাবে LightGBM মডেল তৈরি, প্রশিক্ষণ, এবং পূর্বাভাস করতে হয় তা দেখায়। আপনার প্রয়োজন অনুসারে প্যারামিটারগুলি পরিবর্তন করে আরও উন্নত মডেল তৈরি করতে পারেন।

Hyperparameters হল মেশিন লার্নিং মডেলগুলির জন্য সেটিংস বা কনফিগারেশন যা মডেল প্রশিক্ষণের আগে নির্ধারিত হয়। এগুলি মডেলের কর্মক্ষমতা এবং কার্যকারিতা প্রভাবিত করে এবং মডেলটির প্রশিক্ষণ এবং ভবিষ্যদ্বাণী প্রক্রিয়ার মধ্যে গুরুত্বপূর্ণ ভূমিকা পালন করে।

Hyperparameters এবং তাদের ভূমিকা

১. Hyperparameters কী?

Hyperparameters হল মডেলের আর্কিটেকচার, ট্রেনিং প্রক্রিয়া এবং শিক্ষণের কৌশলগুলির সাথে সম্পর্কিত সেটিংস। এগুলি সাধারণত ব্যবহারকারী দ্বারা নির্ধারিত হয় এবং ডেটা থেকে শেখার প্রক্রিয়ায় অন্তর্ভুক্ত হয় না। উদাহরণস্বরূপ, একটি নিউরাল নেটওয়ার্কের লেয়ারের সংখ্যা, ফিচার সিলেকশন, এবং ট্রেনিংয়ের জন্য শিখন হার (learning rate) হল কিছু সাধারণ hyperparameters।

২. Hyperparameters-এর ধরন:

Hyperparameters দুটি প্রধান শ্রেণীতে ভাগ করা যায়:

Model Hyperparameters:

নিউরাল নেটওয়ার্কের জন্য:

• লেয়ারের সংখ্যা: মডেলের গভীরতা নির্ধারণ করে।
• নিউরনের সংখ্যা: প্রতিটি লেয়ারে কতগুলো নিউরন থাকবে।
• অ্যাক্টিভেশন ফাংশন: (যেমন, ReLU, Sigmoid) প্রতিটি নিউরনের জন্য কার্যকারিতা নির্ধারণ করে।

Decision Trees-এর জন্য:

• গাছের গভীরতা: গাছটি কত গভীর হবে তা নির্ধারণ করে, যা overfitting এবং underfitting-এর মধ্যে ভারসাম্য বজায় রাখতে সাহায্য করে।
• মিন স্যাম্পলস স্প্লিট: নোডে একটি বিভাজনের জন্য সর্বনিম্ন নমুনার সংখ্যা।

Training Hyperparameters:

• Learning Rate: এটি নির্দেশ করে যে মডেলটি কত দ্রুত শিখবে। খুব উচ্চ learning rate হলে মডেলটি অস্থির হতে পারে, এবং খুব কম learning rate হলে প্রশিক্ষণ প্রক্রিয়া খুব ধীর হতে পারে।
• Batch Size: প্রতিটি প্রশিক্ষণ ধাপে কত সংখ্যক উদাহরণ ব্যবহার করা হবে তা নির্ধারণ করে।
• Number of Epochs: মডেলটি কতবার পুরো ডেটাসেটের মাধ্যমে প্রশিক্ষণ নেবে তা নির্ধারণ করে।

৩. Hyperparameters-এর গুরুত্ব:

• মডেলের কার্যকারিতা: সঠিক hyperparameters নির্ধারণ করা হলে মডেলের সঠিকতা এবং কার্যকারিতা উন্নত হয়।
• Overfitting এবং Underfitting: Hyperparameters মডেলের জেনারেলাইজেশন ক্ষমতাকে প্রভাবিত করে। যেমন, যদি গাছের গভীরতা অত্যধিক হয় তবে এটি overfitting এর দিকে ঝুঁকে পড়ে।
• প্রশিক্ষণের সময়: কিছু hyperparameters (যেমন, batch size এবং learning rate) প্রশিক্ষণের সময় এবং সংস্থান ব্যবহারের উপর প্রভাব ফেলে।

৪. Hyperparameter Tuning

Hyperparameter tuning হল hyperparameters-এর সঠিক মান খোঁজার প্রক্রিয়া, যাতে মডেলের পারফরম্যান্স সর্বাধিক হয়। এটি সাধারণত নিম্নলিখিত কৌশলগুলির মাধ্যমে করা হয়:

Grid Search: বিভিন্ন hyperparameters-এর সম্ভাব্য মানগুলির একটি গ্রিড তৈরি করে এবং প্রতিটি সংমিশ্রণের জন্য মডেল প্রশিক্ষণ দেয়।

Random Search: বিভিন্ন সম্ভাব্য মানগুলির মধ্যে এলোমেলোভাবে নির্বাচন করে পরীক্ষা করা।

Bayesian Optimization: একাধিক পরীক্ষার ফলাফল ব্যবহার করে পরবর্তী পরীক্ষার জন্য সেরা hyperparameter নির্বাচন করার জন্য একটি পরিসংখ্যানগত মডেল তৈরি করে।

Automated Machine Learning (AutoML): কিছু প্ল্যাটফর্ম স্বয়ংক্রিয়ভাবে hyperparameters টিউন করার জন্য AI ব্যবহার করে।

উপসংহার

Hyperparameters মেশিন লার্নিং মডেলের কার্যকারিতা ও কার্যক্রমের একটি গুরুত্বপূর্ণ অংশ। সঠিকভাবে নির্ধারিত hyperparameters ডেটা থেকে সঠিকভাবে শেখার এবং সঠিক ফলাফল পাওয়ার সম্ভাবনা বৃদ্ধি করে। Hyperparameter tuning-এর মাধ্যমে, ব্যবহারকারীরা তাদের মডেলের পারফরম্যান্স উন্নত করতে পারেন এবং ডেটার সাথে কার্যকরী সম্পর্ক তৈরি করতে সহায়তা করে।

মেশিন লার্নিং প্রজেক্টে Model Training, Evaluation, এবং Prediction তিনটি গুরুত্বপূর্ণ পদক্ষেপ। এখানে LightGBM ব্যবহার করে কিভাবে এই প্রক্রিয়াগুলি সম্পন্ন করা যায়, তা বিস্তারিতভাবে আলোচনা করা হলো।

১. Model Training

প্রথমত, আমরা LightGBM ব্যবহার করে মডেল প্রশিক্ষণের জন্য একটি মৌলিক উদাহরণ দেখাবো।

ডেটাসেট তৈরি করা

চলুন প্রথমে একটি কৃত্রিম ডেটাসেট তৈরি করি এবং LightGBM ডেটাসেটে রূপান্তর করি।

import lightgbm as lgb
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

# উদাহরণস্বরূপ, কৃত্রিম ডেটাসেট তৈরি করা
data = np.random.rand(1000, 10)  # 1000টি নমুনা এবং 10টি বৈশিষ্ট্য
labels = np.random.randint(2, size=1000)  # 0 বা 1 লেবেল

# ডেটাসেটকে ডাটা ফ্রেমে রূপান্তর
df = pd.DataFrame(data, columns=[f'feature_{i}' for i in range(10)])
df['label'] = labels

# ডেটাকে ট্রেন এবং টেস্ট সেটে ভাগ করা
X = df.drop('label', axis=1)
y = df['label']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# LightGBM Dataset তৈরি
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test, reference=train_data)

মডেল প্রশিক্ষণ

এখন LightGBM ব্যবহার করে মডেল প্রশিক্ষণ করা যাক।

# মডেল প্যারামিটার সেট করা
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
    'boosting_type': 'gbdt',
    'learning_rate': 0.1,
    'num_leaves': 31
}

# মডেল ট্রেনিং
model = lgb.train(params, train_data, num_boost_round=100, valid_sets=test_data, early_stopping_rounds=10)

২. Model Evaluation

মডেলটির কার্যকারিতা পর্যালোচনা করতে হবে। আমরা সাধারণত কিছু মেট্রিক ব্যবহার করি, যেমন Accuracy, F1 Score, Precision, এবং Recall।

from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score

# টেস্ট সেটের উপর পূর্বাভাস করা
predictions = model.predict(X_test, num_iteration=model.best_iteration)
predicted_classes = [1 if pred > 0.5 else 0 for pred in predictions]

# মেট্রিকস গণনা করা
accuracy = accuracy_score(y_test, predicted_classes)
f1 = f1_score(y_test, predicted_classes)
precision = precision_score(y_test, predicted_classes)
recall = recall_score(y_test, predicted_classes)

# ফলাফল প্রিন্ট করা
print(f'Accuracy: {accuracy:.2f}')
print(f'F1 Score: {f1:.2f}')
print(f'Precision: {precision:.2f}')
print(f'Recall: {recall:.2f}')

৩. Prediction

শেষে, আমরা নতুন ডেটার উপর প্রেডিকশন করতে পারি। ধরা যাক, আমাদের কাছে একটি নতুন ডেটাসেট আছে এবং আমরা সেটির উপর মডেলটিকে পরীক্ষা করতে চাই।

# নতুন ডেটা তৈরি (এটি আসলে বাস্তব জীবনের ডেটা হবে)
new_data = np.random.rand(5, 10)  # 5টি নতুন নমুনা

# নতুন ডেটাকে DataFrame এ রূপান্তর
new_df = pd.DataFrame(new_data, columns=[f'feature_{i}' for i in range(10)])

# নতুন ডেটার উপর পূর্বাভাস করা
new_predictions = model.predict(new_df, num_iteration=model.best_iteration)
new_predicted_classes = [1 if pred > 0.5 else 0 for pred in new_predictions]

# নতুন পূর্বাভাস ফলাফল প্রিন্ট করা
print("New Predictions:", new_predicted_classes)

সম্পূর্ণ কোড

এখন আমরা উপরে বর্ণিত সবকিছু একত্রিত করে একটি পূর্ণ কোড উদাহরণ প্রদান করছি:

import lightgbm as lgb
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score

# উদাহরণস্বরূপ, কৃত্রিম ডেটাসেট তৈরি করা
data = np.random.rand(1000, 10)  # 1000টি নমুনা এবং 10টি বৈশিষ্ট্য
labels = np.random.randint(2, size=1000)  # 0 বা 1 লেবেল

# ডেটাসেটকে ডাটা ফ্রেমে রূপান্তর
df = pd.DataFrame(data, columns=[f'feature_{i}' for i in range(10)])
df['label'] = labels

# ডেটাকে ট্রেন এবং টেস্ট সেটে ভাগ করা
X = df.drop('label', axis=1)
y = df['label']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# LightGBM Dataset তৈরি
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test, reference=train_data)

# মডেল প্যারামিটার সেট করা
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
    'boosting_type': 'gbdt',
    'learning_rate': 0.1,
    'num_leaves': 31
}

# মডেল ট্রেনিং
model = lgb.train(params, train_data, num_boost_round=100, valid_sets=test_data, early_stopping_rounds=10)

# টেস্ট সেটের উপর পূর্বাভাস করা
predictions = model.predict(X_test, num_iteration=model.best_iteration)
predicted_classes = [1 if pred > 0.5 else 0 for pred in predictions]

# মেট্রিকস গণনা করা
accuracy = accuracy_score(y_test, predicted_classes)
f1 = f1_score(y_test, predicted_classes)
precision = precision_score(y_test, predicted_classes)
recall = recall_score(y_test, predicted_classes)

# ফলাফল প্রিন্ট করা
print(f'Accuracy: {accuracy:.2f}')
print(f'F1 Score: {f1:.2f}')
print(f'Precision: {precision:.2f}')
print(f'Recall: {recall:.2f}')

# নতুন ডেটার উপর পূর্বাভাস করা
new_data = np.random.rand(5, 10)  # 5টি নতুন নমুনা
new_df = pd.DataFrame(new_data, columns=[f'feature_{i}' for i in range(10)])
new_predictions = model.predict(new_df, num_iteration=model.best_iteration)
new_predicted_classes = [1 if pred > 0.5 else 0 for pred in new_predictions]

# নতুন পূর্বাভাস ফলাফল প্রিন্ট করা
print("New Predictions:", new_predicted_classes)

উপসংহার

এখন আপনি LightGBM ব্যবহার করে একটি মডেল প্রশিক্ষণ, মূল্যায়ন এবং পূর্বাভাস দেওয়ার সম্পূর্ণ প্রক্রিয়া জানেন। এই পদক্ষেপগুলি মেশিন লার্নিং প্রজেক্টের মৌলিক অংশ এবং এগুলি সঠিকভাবে পরিচালনা করা অত্যন্ত গুরুত্বপূর্ণ। LightGBM এর উচ্চ কার্যকারিতা এবং দ্রুত প্রশিক্ষণ বৈশিষ্ট্যগুলি এটিকে একটি শক্তিশালী টুল হিসেবে পরিণত করে।

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।