CatBoost মডেল তৈরি করা

CatBoost একটি শক্তিশালী গ্র্যাডিয়েন্ট বুস্টিং লাইব্রেরি যা ক্যাটাগরিকাল ডেটা পরিচালনা করার জন্য বিশেষভাবে ডিজাইন করা হয়েছে। নিচে CatBoost ব্যবহার করে একটি মৌলিক মডেল তৈরির প্রক্রিয়া আলোচনা করা হলো, যা Python এবং R উভয় ভাষায় করা যাবে।

Python এ CatBoost মডেল তৈরি করা

১. CatBoost ইনস্টল করা

আপনার সিস্টেমে CatBoost ইনস্টল করা থাকলে এই পদক্ষেপটি এড়িয়ে যেতে পারেন। না থাকলে, ইনস্টল করতে নিচের কমান্ডটি চালান:

pip install catboost

২. ডেটা লোড এবং প্রস্তুতি

import pandas as pd
from catboost import CatBoostClassifier, Pool

# উদাহরণ ডেটা লোড করা
data = {
    'feature1': [1, 2, 3, 4, 5],
    'feature2': ['A', 'B', 'A', 'B', 'A'],  # ক্যাটাগরিকাল ফিচার
    'label': [0, 1, 0, 1, 0]
}

df = pd.DataFrame(data)

# ক্যাটাগরিকাল ফিচার সূচী নির্ধারণ
cat_features = ['feature2']

# ডেটা প্রস্তুতি
X = df[['feature1', 'feature2']]
y = df['label']

# CatBoost Pool তৈরি করা
train_data = Pool(data=X, label=y, cat_features=cat_features)

৩. CatBoost মডেল তৈরি এবং প্রশিক্ষণ

# CatBoostClassifier তৈরি করা
model = CatBoostClassifier(
    iterations=100,      # মোট ইটারেশন সংখ্যা
    depth=3,             # গাছের গভীরতা
    learning_rate=0.1,   # শেখার হার
    loss_function='Logloss',  # ক্ষতির ফাংশন
    verbose=0            # প্রশিক্ষণের সময় আউটপুট প্রদর্শন না করা
)

# মডেল প্রশিক্ষণ
model.fit(train_data)

৪. নতুন ডেটার উপর পূর্বাভাস

# নতুন ডেটার উপর পূর্বাভাস
predictions = model.predict([[3, 'A']])
print(predictions)

R এ CatBoost মডেল তৈরি করা

১. CatBoost ইনস্টল করা

R কনসোলে CatBoost ইনস্টল করতে পারেন:

install.packages("catboost", repos = "https://cloud.r-project.org/")

২. ডেটা লোড এবং প্রস্তুতি

# CatBoost লাইব্রেরি ইমপোর্ট করা
library(catboost)

# উদাহরণ ডেটা লোড করা
data <- data.frame(
  feature1 = c(1, 2, 3, 4, 5),
  feature2 = as.factor(c('A', 'B', 'A', 'B', 'A')),  # ক্যাটাগরিকাল ফিচার
  label = c(0, 1, 0, 1, 0)
)

# ক্যাটাগরিকাল ফিচারগুলির সূচী নির্ধারণ
cat_features <- c('feature2')

# CatBoost ডেটা লোড করা
train_data <- catboost.load_data(data, label = "label", cat_features = cat_features)

৩. CatBoost মডেল তৈরি এবং প্রশিক্ষণ

# প্রাথমিক কনফিগারেশন
params <- list(
  iterations = 100,         # মোট ইটারেশন সংখ্যা
  depth = 3,                # গাছের গভীরতা
  learning_rate = 0.1,      # শেখার হার
  loss_function = 'Logloss' # ক্ষতির ফাংশন
)

# মডেল প্রশিক্ষণ
model <- catboost.train(train_data, params)

৪. নতুন ডেটার উপর পূর্বাভাস

# নতুন ডেটার উপর পূর্বাভাস
test_data <- data.frame(feature1 = c(3), feature2 = as.factor(c('A')))
predictions <- catboost.predict(model, test_data)
print(predictions)

সারসংক্ষেপ

এখন আপনি CatBoost ব্যবহার করে একটি মৌলিক মডেল তৈরি করেছেন এবং নতুন ডেটার উপর পূর্বাভাস দেওয়ার প্রক্রিয়া শিখেছেন। CatBoost ক্যাটাগরিকাল ডেটা পরিচালনা করার জন্য বিশেষভাবে কার্যকর এবং এটি মডেল তৈরিতে খুব সহায়ক। এই উদাহরণগুলো দিয়ে আপনি CatBoost-এর কার্যকরী ব্যবহার বোঝাতে পারবেন এবং ভবিষ্যতে আরও উন্নত প্রকল্পে এটি ব্যবহার করতে পারবেন।

Dataset এবং Features এর ধারণা

Dataset এবং Features মেশিন লার্নিং এবং ডেটা বিশ্লেষণের মূল অংশ। এগুলি ডেটা প্রক্রিয়াকরণ এবং মডেল প্রশিক্ষণের জন্য অত্যন্ত গুরুত্বপূর্ণ। নিচে এই দুটি ধারণার বিস্তারিত আলোচনা করা হলো।

Dataset (ডেটাসেট)

Dataset হল সংগৃহীত তথ্যের একটি সংগঠিত সংগ্রহ, যা মেশিন লার্নিং মডেলকে প্রশিক্ষণের জন্য ব্যবহৃত হয়। একটি ডেটাসেট বিভিন্ন ধরনের তথ্য ধারণ করতে পারে এবং এটি একটি টেবিলের রূপে উপস্থাপন করা হয়, যেখানে প্রতিটি সারি একটি উদাহরণ (যেমন, একটি গ্রাহক বা একটি ছবি) এবং প্রতিটি কলাম একটি বৈশিষ্ট্য (যেমন, নাম বা বৈশিষ্ট্য) নির্দেশ করে।

ডেটাসেটের উপাদান

Rows (সারি):

• প্রতিটি সারি একটি পৃথক তথ্য উদাহরণ নির্দেশ করে। উদাহরণস্বরূপ, গ্রাহকদের তথ্যের একটি ডেটাসেটে প্রতিটি সারি একটি পৃথক গ্রাহককে প্রতিনিধিত্ব করবে।

Columns (কলাম):

• প্রতিটি কলাম একটি নির্দিষ্ট বৈশিষ্ট্য বা ভেরিয়েবল নির্দেশ করে। উদাহরণস্বরূপ, গ্রাহকদের তথ্যের ডেটাসেটে "নাম", "বয়স", "লিঙ্গ", "অর্ডার সংখ্যা" ইত্যাদি হতে পারে।

Labels (লেবেল):

• কিছু ডেটাসেটে একটি লেবেল কলাম থাকে, যা প্রত্যাশিত আউটপুট নির্দেশ করে। উদাহরণস্বরূপ, একটি ক্লাসিফিকেশন ডেটাসেটে, লেবেলগুলি শ্রেণী নির্দেশ করে (যেমন, "ক্রেতা" বা "অক্রেতা")।

ডেটাসেটের ধরন

Structured Data (সংগঠিত ডেটা):

• টেবিল বা স্প্রেডশীট আকারে সংগঠিত, যেখানে তথ্য নির্দিষ্ট রূপে সাজানো থাকে।

Unstructured Data (অসংগঠিত ডেটা):

• যেমন টেক্সট, ইমেজ, অডিও, ভিডিও ইত্যাদি, যা নির্দিষ্ট ফরম্যাটে থাকে না।

Semi-Structured Data (অর্ধ-সংগঠিত ডেটা):

• XML বা JSON ফাইলের মতো, যেখানে কিছু সংগঠনের উপাদান থাকে কিন্তু পুরোপুরি সংগঠিত নয়।

Features (বৈশিষ্ট্য)

Features হল ডেটাসেটের বিভিন্ন ভেরিয়েবল বা বৈশিষ্ট্য যা মডেলকে শিখতে এবং পূর্বাভাস করতে সাহায্য করে। Features হল সেই তথ্য যা মডেল প্রশিক্ষণের সময় ডেটার প্যাটার্ন বা সম্পর্ক বোঝার জন্য ব্যবহার করা হয়।

Features এর ধরন

Numerical Features (সংখ্যাত্মক বৈশিষ্ট্য):

• সংখ্যা হিসেবে প্রকাশ করা হয় এবং গাণিতিকভাবে বিশ্লেষণ করা যায়। উদাহরণস্বরূপ, উচ্চতা, ওজন, এবং দাম।

Categorical Features (ক্যাটাগরিকাল বৈশিষ্ট্য):

• শ্রেণী বা ক্যাটাগরির আকারে থাকে। যেমন, লিঙ্গ (পুরুষ/নারী), শহর (ঢাকা/কোলকাতা)।

Ordinal Features (অর্ডিনাল বৈশিষ্ট্য):

• একটি নির্দিষ্ট ক্রম বা অর্ডার থাকে। উদাহরণস্বরূপ, গ্রেড (A, B, C) বা রেটিং (১ থেকে ৫)।

Binary Features (বাইনারি বৈশিষ্ট্য):

• দুটি ভিন্ন মান থাকে, সাধারণত ০ এবং ১ (যেমন, True/False, Yes/No)।

Features নির্বাচন

Feature Selection (বৈশিষ্ট্য নির্বাচন):

• উপযুক্ত এবং প্রাসঙ্গিক বৈশিষ্ট্যগুলো চিহ্নিত করা, যা মডেলের কার্যকারিতা বাড়াতে সাহায্য করে।

Feature Engineering (বৈশিষ্ট্য ইঞ্জিনিয়ারিং):

• নতুন বৈশিষ্ট্য তৈরি করা বা বিদ্যমান বৈশিষ্ট্যগুলোর রূপান্তর করা, যা মডেলের কার্যকারিতা উন্নত করতে সাহায্য করে।

সারসংক্ষেপ

Dataset এবং Features হল মেশিন লার্নিংয়ের ভিত্তি। Dataset তথ্যের সংগঠিত সংগ্রহ, যেখানে Features হল সেই ভেরিয়েবলগুলি যা মডেলকে শেখাতে এবং পূর্বাভাস করতে সাহায্য করে। সঠিকভাবে ডেটা সেটআপ এবং বৈশিষ্ট্য নির্বাচন মডেলের কার্যকারিতা এবং সাফল্যের জন্য অত্যন্ত গুরুত্বপূর্ণ।

CatBoost (Categorical Boosting) হল Yandex দ্বারা তৈরি একটি উন্নত Gradient Boosting লাইব্রেরি, যা বিশেষ করে ক্যাটেগোরিক্যাল ডেটা পরিচালনা করার জন্য ডিজাইন করা হয়েছে। CatBoost সহজে ব্যবহারযোগ্য এবং উচ্চ কার্যকারিতা প্রদান করে। এখানে CatBoost ব্যবহার করে Training এবং Testing Dataset তৈরি করার প্রক্রিয়া আলোচনা করা হলো।

CatBoost দিয়ে Training এবং Testing Dataset তৈরি করার প্রক্রিয়া

১. CatBoost ইনস্টল করা

প্রথমেই আপনার সিস্টেমে CatBoost ইনস্টল করতে হবে। Python-এর জন্য এটি Pip ব্যবহার করে ইনস্টল করা যেতে পারে:

pip install catboost

২. ডেটাসেট প্রস্তুতি

একটি সাধারণ ডেটাসেট তৈরি করুন বা কোনও পাবলিক ডেটাসেট ব্যবহার করুন। এখানে আমরা একটি কল্পিত ডেটাসেট ব্যবহার করছি, তবে আপনি নিজের ডেটা ব্যবহার করতে পারেন।

import pandas as pd
from sklearn.model_selection import train_test_split

# উদাহরণস্বরূপ একটি ডেটাসেট তৈরি করুন
data = {
    'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'feature2': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'],
    'target': [0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
}
df = pd.DataFrame(data)

# ডেটা ভাগ করা: 80% ট্রেনিং এবং 20% টেস্টিং
X = df[['feature1', 'feature2']]
y = df['target']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print("Training set:")
print(X_train)
print(y_train)

print("\nTesting set:")
print(X_test)
print(y_test)

৩. CatBoost দিয়ে Training Dataset প্রস্তুতি

CatBoost ব্যবহার করার জন্য ক্যাটেগোরিক্যাল বৈশিষ্ট্যগুলির জন্য একটি তালিকা তৈরি করুন এবং CatBoostClassifier অথবা CatBoostRegressor ব্যবহার করে মডেল তৈরি করুন।

from catboost import CatBoostClassifier

# ক্যাটেগোরিক্যাল বৈশিষ্ট্যগুলি উল্লেখ করুন
categorical_features_indices = [1]  # feature2 হল ক্যাটেগোরিক্যাল ফিচার

# CatBoostClassifier মডেল তৈরি করা
model = CatBoostClassifier(iterations=100, learning_rate=0.1, depth=6, cat_features=categorical_features_indices, verbose=0)

# মডেল প্রশিক্ষণ
model.fit(X_train, y_train)

৪. Testing Dataset-এর উপর মডেল পরীক্ষা করা

প্রশিক্ষিত মডেলটি টেস্টিং ডেটাসেটের উপর পরীক্ষা করুন এবং ফলাফল মূল্যায়ন করুন।

# ভবিষ্যদ্বাণী করা
predictions = model.predict(X_test)

# ফলাফল দেখানো
print("\nPredictions:")
print(predictions)

# সঠিকতা মূল্যায়ন
from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, predictions)
print(f"\nAccuracy: {accuracy * 100:.2f}%")

উপসংহার

CatBoost ব্যবহার করে Training এবং Testing Dataset তৈরি করা একটি সহজ এবং কার্যকর প্রক্রিয়া। এই প্রক্রিয়ায় ডেটা প্রস্তুতি, মডেল প্রশিক্ষণ এবং টেস্টিং অন্তর্ভুক্ত রয়েছে। CatBoost এর শক্তিশালী বৈশিষ্ট্য এবং ক্যাটেগোরিক্যাল ডেটার জন্য বিশেষায়িত কৌশল ব্যবহার করে এটি উচ্চমানের ফলাফল প্রদান করতে সক্ষম।

Categorical Feature Handling এবং Data Encoding

Categorical features হল ডেটাসেটের এমন বৈশিষ্ট্য যা শ্রেণী বা ক্যাটাগরি নির্দেশ করে, যেমন লিঙ্গ (পুরুষ/নারী), শহর (ঢাকা/কলকাতা), বা অন্যান্য শ্রেণীভুক্ত তথ্য। এই ধরনের বৈশিষ্ট্যগুলোকে মেশিন লার্নিং মডেলগুলিতে ব্যবহার করতে হলে সঠিকভাবে প্রক্রিয়া করা এবং এনকোড করা প্রয়োজন। নিচে Categorical Feature Handling এবং Data Encoding এর পদ্ধতি আলোচনা করা হলো।

Categorical Feature Handling

১. Categorical Features চিহ্নিতকরণ

• ডেটাসেটে কোন বৈশিষ্ট্যগুলো ক্যাটাগরিকাল তা চিহ্নিত করুন। এটি সাধারণত অক্ষর, শব্দ, বা শ্রেণী হিসেবে থাকে।

২. Categorical Features পরিচালনা

Missing Values: ক্যাটাগরিকাল ফিচারের মধ্যে যদি কোন মান অনুপস্থিত থাকে, তাহলে সেগুলো পূরণ করতে হবে।

• পূরণের কৌশল: সর্বাধিক বার ব্যবহৃত ক্যাটাগরি বা নতুন ক্যাটাগরি তৈরি করা।

Data Type পরিবর্তন: Pandas ডেটাফ্রেমে ক্যাটাগরিকাল বৈশিষ্ট্যগুলোকে category ডেটা টাইপে রূপান্তর করা যেতে পারে, যা মেমরি ব্যবস্থাপনার উন্নতি করে।

Data Encoding

ক্যাটাগরিকাল ফিচারগুলোকে সংখ্যাত্মক ফরম্যাটে রূপান্তর করতে হবে যাতে মডেল সেগুলোকে বুঝতে পারে। নীচে সাধারণভাবে ব্যবহৃত কিছু ডেটা এনকোডিং কৌশল আলোচনা করা হলো:

১. One-Hot Encoding

বর্ণনা: প্রতিটি ক্যাটাগরি জন্য নতুন একটি কলাম তৈরি করা হয়, যেখানে ১ এবং ০ দ্বারা নির্দেশ করা হয় যে উদাহরণটি সেই ক্যাটাগরির অন্তর্ভুক্ত কি না।

ব্যবহার: এই পদ্ধতি তখন কার্যকর যখন ক্যাটাগরিকাল ফিচারের সংখ্যা তুলনামূলকভাবে কম এবং কোনও অর্ডার নেই।

import pandas as pd

# উদাহরণ ডেটা
data = pd.DataFrame({
    'city': ['Dhaka', 'Chittagong', 'Dhaka', 'Rajshahi']
})

# One-Hot Encoding
encoded_data = pd.get_dummies(data, columns=['city'], drop_first=True)
print(encoded_data)

২. Label Encoding

বর্ণনা: প্রতিটি ক্যাটাগরিকে একটি অনন্য সংখ্যা দিয়ে নির্দেশ করা হয়। এটি সাধারণত যখন ক্যাটাগরিকাল ফিচারগুলির মধ্যে একটি প্রাকৃতিক অর্ডার থাকে তখন ব্যবহৃত হয়।

ব্যবহার: যখন ক্যাটাগরিকাল ফিচারের সংখ্যা কম হয় এবং এটি অর্ডিনাল হতে পারে।

from sklearn.preprocessing import LabelEncoder

# উদাহরণ ডেটা
data = pd.DataFrame({
    'city': ['Dhaka', 'Chittagong', 'Dhaka', 'Rajshahi']
})

# Label Encoding
label_encoder = LabelEncoder()
data['city_encoded'] = label_encoder.fit_transform(data['city'])
print(data)

৩. Target Encoding

বর্ণনা: প্রতিটি ক্যাটাগরি জন্য তার লক্ষ্য ভেরিয়েবলের গড় মান ব্যবহার করা হয়। এটি মূলত শ্রেণীভিত্তিক মডেলগুলির জন্য ব্যবহৃত হয়।

ব্যবহার: বড় ক্যাটাগরিকাল ফিচারের জন্য কার্যকরী।

# উদাহরণ ডেটা
data = pd.DataFrame({
    'city': ['Dhaka', 'Chittagong', 'Dhaka', 'Rajshahi'],
    'target': [1, 0, 1, 0]
})

# Target Encoding
mean_encoded = data.groupby('city')['target'].mean().to_dict()
data['city_encoded'] = data['city'].map(mean_encoded)
print(data)

সারসংক্ষেপ

Categorical Feature Handling এবং Data Encoding মেশিন লার্নিং এর গুরুত্বপূর্ণ দিক। ক্যাটাগরিকাল বৈশিষ্ট্যগুলোকে সঠিকভাবে প্রক্রিয়া করা এবং এনকোড করা প্রয়োজন যাতে মডেলগুলি সেগুলোকে সঠিকভাবে বুঝতে পারে। One-Hot Encoding, Label Encoding, এবং Target Encoding হল ক্যাটাগরিকাল বৈশিষ্ট্য এনকোড করার জন্য জনপ্রিয় পদ্ধতি। সঠিক পদ্ধতি নির্বাচন করা ডেটার প্রকার এবং মডেলিং উদ্দেশ্যের উপর নির্ভর করে।

CatBoost একটি শক্তিশালী এবং সহজে ব্যবহারযোগ্য Gradient Boosting লাইব্রেরি, যা ক্যাটেগোরিক্যাল ডেটার জন্য বিশেষভাবে ডিজাইন করা হয়েছে। এটি দুটি প্রধান মডেল প্রদান করে: CatBoostClassifier (ক্লাসিফিকেশন সমস্যার জন্য) এবং CatBoostRegressor (রিগ্রেশন সমস্যার জন্য)। নিচে এই দুটি মডেলের সাহায্যে মডেল ট্রেনিংয়ের প্রক্রিয়া এবং উদাহরণ আলোচনা করা হলো।

CatBoostClassifier ব্যবহার করে মডেল ট্রেনিং

১. CatBoost ইনস্টল করা

প্রথমে CatBoost ইনস্টল করুন (যদি আগে না করে থাকেন)।

pip install catboost

২. ডেটাসেট প্রস্তুতি

এখন একটি ডেটাসেট তৈরি করুন বা লোড করুন। এখানে একটি উদাহরণ ব্যবহার করা হলো।

import pandas as pd
from sklearn.model_selection import train_test_split

# উদাহরণস্বরূপ একটি ডেটাসেট তৈরি করুন
data = {
    'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'feature2': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'],
    'target': [0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
}
df = pd.DataFrame(data)

# ডেটা ভাগ করা: 80% ট্রেনিং এবং 20% টেস্টিং
X = df[['feature1', 'feature2']]
y = df['target']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

৩. CatBoostClassifier মডেল ট্রেনিং

from catboost import CatBoostClassifier

# ক্যাটেগোরিক্যাল বৈশিষ্ট্যগুলি উল্লেখ করুন
categorical_features_indices = [1]  # feature2 হল ক্যাটেগোরিক্যাল ফিচার

# CatBoostClassifier মডেল তৈরি করা
model_classifier = CatBoostClassifier(iterations=100, learning_rate=0.1, depth=6, cat_features=categorical_features_indices, verbose=0)

# মডেল প্রশিক্ষণ
model_classifier.fit(X_train, y_train)

৪. টেস্টিং ডেটাসেটের উপর পূর্বাভাস করা

# ভবিষ্যদ্বাণী করা
predictions_classifier = model_classifier.predict(X_test)

# ফলাফল দেখানো
print("\nClassifier Predictions:")
print(predictions_classifier)

CatBoostRegressor ব্যবহার করে মডেল ট্রেনিং

১. ডেটাসেট প্রস্তুতি

রিগ্রেশন সমস্যার জন্য একটি নতুন ডেটাসেট তৈরি করুন বা লোড করুন।

# উদাহরণস্বরূপ একটি রিগ্রেশন ডেটাসেট তৈরি করুন
regression_data = {
    'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'feature2': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'],
    'target': [1.5, 2.5, 3.0, 4.2, 5.1, 6.3, 7.8, 8.7, 9.5, 10.0]
}
df_regression = pd.DataFrame(regression_data)

# ডেটা ভাগ করা: 80% ট্রেনিং এবং 20% টেস্টিং
X_regression = df_regression[['feature1', 'feature2']]
y_regression = df_regression['target']

X_train_regression, X_test_regression, y_train_regression, y_test_regression = train_test_split(X_regression, y_regression, test_size=0.2, random_state=42)

২. CatBoostRegressor মডেল ট্রেনিং

from catboost import CatBoostRegressor

# ক্যাটেগোরিক্যাল বৈশিষ্ট্যগুলি উল্লেখ করুন
categorical_features_indices_regression = [1]  # feature2 হল ক্যাটেগোরিক্যাল ফিচার

# CatBoostRegressor মডেল তৈরি করা
model_regressor = CatBoostRegressor(iterations=100, learning_rate=0.1, depth=6, cat_features=categorical_features_indices_regression, verbose=0)

# মডেল প্রশিক্ষণ
model_regressor.fit(X_train_regression, y_train_regression)

৩. টেস্টিং ডেটাসেটের উপর পূর্বাভাস করা

# ভবিষ্যদ্বাণী করা
predictions_regressor = model_regressor.predict(X_test_regression)

# ফলাফল দেখানো
print("\nRegressor Predictions:")
print(predictions_regressor)

উপসংহার

CatBoostClassifier এবং CatBoostRegressor ব্যবহার করে মডেল ট্রেনিং একটি সহজ এবং কার্যকর প্রক্রিয়া। CatBoost-এর ক্যাটেগোরিক্যাল ডেটার প্রতি বিশেষ মনোযোগ এবং বিভিন্ন হাইপারপ্যারামিটার ব্যবহার করে এটি উচ্চমানের ফলাফল প্রদান করে। এই প্রযুক্তি ব্যবহার করে আপনি বিভিন্ন ক্লাসিফিকেশন এবং রিগ্রেশন সমস্যার সমাধান করতে সক্ষম।