د ټولنیز څېړونکي لپاره ماشیني زده کړه: وړاندوینه، نه یوازې تشریح

په دې پاڼه کې

ماشیني زده کړه (machine learning)، د هغه تعریف له مخې چې Géron خپل کتاب پرې پیلوي، "د کمپیوټرونو د پروګرام کولو علم (او هنر) دی تر څو له معلوماتو زده کړه وکړای شي"؛ د Arthur Samuel (1959) په کلاسیک بیان کې – "د څېړنې هغه ساحه چې کمپیوټرونو ته پرته له دې چې په څرګند ډول پروګرام شي د زده کړې وړتیا ورکوي"؛ او د Tom Mitchell (1997) په انجنیري بیان کې – یو پروګرام "له تجربې E څخه د دندې T او د کړنې شاخص P په اړه زده کړه کوي، که چېرې په T کې یې کړنه، لکه څنګه چې په P اندازه کېږي، د تجربې E سره ښه شي" (دواړه لکه څنګه چې په Géron, 2022، 1 څپرکي کې راغلي). هغې څېړونکې ته چې له احصایې راځي دا تعریفونه ډېر اشنا ښکاري: رګرسیون (regression) هم له معلوماتو ضریبونه "زده کوي". توپیر په الګوریتم کې نه دی – لوجستیک رګرسیون (logistic regression) په دواړو نړیو کې همغه لوجستیک رګرسیون دی – بلکې په موخه کې دی او نو ځکه په تایید کې: د وېبپاڼې د حساب ماشینونو احصایه پوښتنه کوي چې کوم متحول اغېز کوي او څومره، او دا په ضریب، معیاري تېروتنې (standard error) او احصایوي معناداري (significance) تاییدوي؛ ماشیني زده کړه پوښتنه کوي چې له یوې نوې کتنې سره به څه پېښ شي، او دا یوازې په یوه لاره تاییدوي – په هغو معلوماتو چې ماډل نه دي لیدلي. دا پاڼه د ساحې د هغه عملي درسي کتاب پر شاوخوا جوړه شوې چې په ساحه کې عام دی، د Aurélien Géron Hands-On Machine Learning (درېیم چاپ، 2022)، او ورسره د همغې سکې بل مخ نښلوي – د Hastie، Tibshirani او Friedman The Elements of Statistical Learning (دوهم چاپ، 2009)، هغه کتاب چې احصایه پوهانو د همغو الګوریتمونو د احصایوي ماډلونو په توګه د تشریح لپاره لیکلی: "دا کتاب له معلوماتو څخه د زده کړې په اړه دی"، او "احصایوي زده کړه د ساینس، مالیې او صنعت په ډېرو ساحو کې کلیدي رول لوبوي" (Hastie et al., 2009, p. 1). او درېیم کتاب، د Christopher Bishop (2006)، احتمالي لیدلوری ورزیاتوي: د بڼو پېژندنه "په انجنیرۍ کې ریښه لري، په داسې حال کې چې ماشیني زده کړه له کمپیوټري علومو راټوکېدلې"، خو "دوی د همغې ساحې دوه اړخونه ګڼل کېدای شي" – او په هغه کې بېزیایي مېتودونه "له یوې متخصصې ګوښې څخه اصلي جریان ته" تللي دي (Bishop, 2006، سریزه). او څلورم، د بڼو د پېژندنې له انجنیري دود څخه: د Ishii، Ueda، Maeda او Murase (2026) د ځان زده کړې درسي کتاب – چې "د هغو کسانو لپاره لیکل شوی چې هڅه کوي دا موضوعات پخپله زده کړي"، په څرګنده توګه "کلاسیکې موضوعات" پر "تر ټولو نویو ټکنالوژیو" غوره ګڼي، ځکه چې "د بنسټیزې پوهې ترلاسه کول… به د نویو ټکنالوژیو د زده کړې اغېزمنتیا د پام وړ ښه کړي"، او په یوه سپارښتنه پای ته رسېږي: له ریښتینو معلوماتو سره کار وکړئ (Ishii et al., 2026، سریزه). او پنځم، د سافټوېر له اړخه: د SPSS Modeler لپاره د Dothang Truong (2026) درسي کتاب، چې د دې پېژندنې له مخې لیکل شوی چې "له بېلابېلو ساحو زده کوونکي، لکه سوداګري، بازارموندنه، مالیه، هوانوردي، ټولنیز علوم او بشري علوم، کېدای شي احساس وکړي چې شاته پاتې شوي" په داسې ساحه کې چې پروګرامرانو ته ټینګار کوي، او دا چې نن ورځ "ډېر غوښتنلیکونه کاروونکو ته اجازه ورکوي چې د کوډ د یوې کرښې له لیکلو پرته د ماشیني زده کړې ماډلونه جوړ کړي" (Truong, 2026، سریزه). Géron وايي چې څه کېږي، Hastie او همکاران یې وايي چې ولې کار کوي او کله نه، Bishop وايي چې ماډل د احتمالاتو په اړه څه انګېري، Ishii او همکاران یې وايي چې مخکې له دې چې اصطلاح فېشني شي څه دمخه معلوم وو، او Truong وايي چې په مېنو کې څه نومېږي؛ دا پاڼه دې ټولو ته هغه څه ورزیاتوي چې درسي کتابونه – چې د انجنیرانو او احصایه پوهانو لپاره لیکل شوي – یې نه وايي: دا ټول له ټولنیزې څېړنې سره څه کوي (1 برخه)، او کله چې د انسانانو د ژوند وړاندوینې هڅه کېږي څه پېښېږي (Salganik et al., 2020). ترتیب: د تشریح او وړاندوینې ترمنځ توپیر (1)، د زده کړې د ډولونو او ننګونو نقشه (2)، پروژه له سره تر پایه (3)، د تایید لنډیز (4) – شاخصونه، د ازموینې ټولګه، متقاطع تایید (cross-validation)، د معلوماتو لیک او د وړاندوینې پولې یوه جلا پاڼه ده، د کړنې شاخصونه او تایید – پخپله ماډلونه (5)، عصبي شبکې (6)، وسیلې (7)، د کار نسخه (8) – او دا په R (9) او SPSS Modeler (10) کې څنګه کېږي. د حوالې په اړه یادونه: د Géron ډیجیټل نسخه د مخونو شمېرې نه لري، نو ځکه هغه ته حوالې د څپرکي او برخې له مخې دي؛ Hastie او همکاران، Bishop، Ishii او همکاران او Truong – د مخ له مخې.

1. دوه کلتورونه: تشریح یا وړاندوینه

هغه توپیر چې احصایې نه و کړی. Leo Breiman، د تصادفي ځنګلونو اختراع کوونکي، پېړۍ په یوې مقالې پیل کړه چې تشریح یې کړه چې ولې احصایه پوهان او انجنیران یوه ژبه نه وايي: "د معلوماتو څخه پایلو ته د رسېدو لپاره د احصایوي ماډل جوړونې په کارونه کې دوه کلتورونه شته. یو یې انګېري چې معلومات د یوه ټاکلي تصادفي (stochastic) معلوماتي ماډل په واسطه تولید شوي. بل یې الګوریتمیک ماډلونه کاروي او د معلوماتو میکانیزم نامعلوم ګڼي" – او احصایوي ټولنه، د هغه په وینا، "د معلوماتي ماډلونو تقریباً انحصاري کارونې ته ژمنه شوې وه" (Breiman, 2001a، لنډیز). Galit Shmueli دا توپیر په یوه عملي نقشه بدل کړ: تشریحي ماډل جوړونه د یوې علّي تیورۍ د ازمویلو لپاره د ماډل کارول دي، او په ټولنیزو علومو کې "احصایوي مېتودونه تقریباً یوازې د علّي تیورۍ د ازمویلو لپاره کارول کېږي" – او په عمل کې، تقریباً تل، په "د کتنیزو معلوماتو په اړه په اړیکه ولاړ ماډلونو کې. رګرسیون (regression) ماډلونه تر ټولو عامه بېلګه ده" (Shmueli, 2010, Section 1.1)؛ وړاندوینیزه ماډل جوړونه "په معلوماتو باندې د یوه احصایوي ماډل یا د معلوماتو د کیندنې الګوریتم د پلي کولو بهیر دی د نویو یا راتلونکو کتنو د وړاندوینې لپاره" (برخه 1.2). عامه تېروتنه دا انګېرنه ده "چې د لوړ تشریحي ځواک لرونکي ماډلونه په طبیعي ډول لوړ وړاندوینیز ځواک لري" (لنډیز) – او سمه نه ده: تشریحي ځواک او وړاندوینیز ځواک دوه بعدونه دي، نه د یوې لړۍ دوه سرونه (برخه 4.2)؛ تایید هم توپیر لري – په تشریحي ماډل جوړونه کې کتل کېږي چې ماډل تیوري استازیتوب کوي او له معلوماتو سره برابر دی، او په وړاندوینیزه ماډل جوړونه کې نویو معلوماتو ته عمومي کېدل کتل کېږي، او "عمومي کېدو ته تر ټولو لوی خطر د روزنې له معلوماتو سره زیات برابرول (overfitting) دي" (برخه 2.6.1). Géron همدا خبره د پولې له بل اړخه کوي: د ماشیني زده کړې ډېری دندې د وړاندوینې په اړه دي، او "د روزنې په معلوماتو ښه کړنه ښه ده، خو بسنه نه کوي؛ اصلي موخه په نویو مواردو کې ښه کار کول دي" (Géron, 2022, Chapter 1, "Instance-Based Versus Model-Based Learning").

او دا له ارواپوهنې او ټولنپوهنې سره څه کوي. Yarkoni او Westfall استدلال کوي چې په علّي تشریح باندې د ارواپوهنې نږدې بشپړ تمرکز هغه د "رواني میکانیزم له پېچلو تیوریو" سره پرېښې چې "د راتلونکي چلند د وړاندوینې لږه (یا نامعلومه) وړتیا" لري، او وړاندیز کوي چې له ماشیني زده کړې اصول خپل کړي – او د دوی په وینا، په حقیقت کې په وړاندوینې ټینګار به د چلند ښه پوهې ته لار هواره کړي (Yarkoni & Westfall, 2017، لنډیز). Hofman، Watts او د دوی همکاران – په دوی کې Susan Athey، Jon Kleinberg، Matthew Salganik او Tal Yarkoni – په Nature کې د هرې څېړنې لپاره د دوو بعدونو سکیم وړاندې کوي: څومره تشریح کوي (د علّي اغېزونو پېژندنه او اټکل) او څومره د پایلو وړاندوینې ازمویي، او محاسباتي ټولنیز علوم (computational social science) د دواړو "ادغام شوې ماډل جوړونې" ته رابولي (Hofman et al., 2021، لنډیز). Molina او Garip، د ټولنپوهانو لپاره، کارونې شمېري: له نویو سرچینو لکه متن او انځورونو څخه د شاخصونو استخراج، په احصایوي ټولګه (population) کې د ناهمجنسۍ (heterogeneity) تشریح، د علّي استنباط ښه کول، او د پالیسۍ او د تیورۍ د پراختیا لپاره وړاندوینې (Molina & Garip, 2019، لنډیز).

او کله چې هڅه کېږي څه پېښېږي. د انسانانو د ژوند په وړاندوینه کې تر ټولو لوی ازمایښت "د زیان منونکو کورنیو ننګونه" (Fragile Families Challenge) ده: د څېړونکو 160 ډلو د 4,242 کورنیو په اړه معلومات ترلاسه کړل – د هرې کورنۍ لپاره 12,942 متحولونه، چې د ماشوم له زېږون څخه تر 9 کلنۍ پورې راټول شوي – او غوښتل شوي وو چې په 15 کلنۍ کې شپږ پایلې وړاندوینه کړي: د نمرو اوسط، "ګریټ" (استقامت)، له کور څخه ایستل کېدل، مادي ستونزه، د پالونکي مور یا پلار له دندې ګوښه کېدل او په مسلکي روزنه کې د هغه ګډون. پایله: حتی تر ټولو ښې وړاندوینې دقیقې نه وې – د جلا ساتل شویو معلوماتو په اړه R² د مادي ستونزې او د نمرو د اوسط لپاره شاوخوا 0.2 او د نورو څلورو پایلو لپاره شاوخوا 0.05 – او د یوه ساده مرجع ماډل په پرتله یوازې لږ ښې وې: خطي یا لوجستیک رګرسیون (regression) په څلورو متحولونو چې د منځپانګې یوه متخصص ټاکلي وو (درې د زېږون پر مهال د مور په اړه – اصل، کورنی حالت او زده کړه – او د همغې پایلې، یا ورته نږدې پایلې، اندازه ګیرنه په 9 کلنۍ کې). د وړاندوینې تېروتنه په کلکه د هغې کورنۍ پورې تړلې وه چې وړاندوینه یې کېده او یوازې په کمزوري ډول د مېتود پورې (Salganik et al., 2020، لنډیز او د Results برخه). د لیکوالانو پایله – 112 څېړونکي، د Matthew Salganik په مشرۍ (د Bit by Bit لیکوال چې په د وسیلو نقشه کې دی) – دا ده چې د ژوند د بهیر څېړونکي باید "دا نظر چې دوی د ژوند لارې پېژني له دې حقیقت سره پخلا کړي چې هېڅ یوه وړاندوینه په ځانګړي ډول دقیقه نه وه" (Section Significance)، او هغه څه حل کړي چې دوی یې "د پوهې/وړاندوینې تناقض" بولي: همغو معلوماتو له 750 څخه زیاتې تشریحي مقالې تولید کړې – او وړاندوینه نه کوي (Section Discussion). څېړونکې ته: دا دوه کلتورونه یو د بل ځای نه نیسي. هغه تشریحي ماډل چې هېڅ وړاندوینه نه کوي د شک وړ دی؛ هغه وړاندوینیز ماډل چې هېڅوک یې نه پوهېږي د بل ډول شک وړ دی (5 برخه، "سپین او تور بکس")؛ او ډېری وخت ځواب دا دی چې د دواړو راپور ورکړل شي.

2. د ساحې نقشه: د زده کړې ډولونه او هغه څه چې خرابېدای شي

Géron د ماشیني زده کړې سیستمونه د درېیو محورونو له مخې ډلبندي کوي (Géron, 2022, Chapter 1, "Types of Machine Learning Systems"). لومړی – د څارنې کچه. په څارل شوې زده کړې (supervised) کې د روزنې ټولګه مطلوب ځوابونه – لیبلونه – لري، او دوه عادي دندې یې ډلبندي (سپام / نه سپام) او رګرسیون (regression) (د موټر بیه د کیلومټرونو، عمر او جوړوونکي له مخې) دي؛ د دوی ترمنځ پوله نفوذ منونکې ده – لوجستیک رګرسیون (logistic regression) یو رګرسیون ماډل دی چې د ډلبندۍ لپاره کارېږي، ځکه چې احتمال ورکوي. په بې څارنې زده کړې (unsupervised) کې لیبلونه نشته، او دندې یې کلسترونه (clusters) (د ورته لیدونکو ډلې)، لید جوړونه او د بعدونو کمول (د همبسته ځانګړنو، لکه کیلومټرونه او عمر، په یوه "زړښت" ځانګړنه کې یو ځای کول)، د لرې پرتو ارزښتونو (outliers) موندل او د تړاو د قواعدو زده کړه (څوک چې د باربیکیو ساس او چپس اخلي سټیک هم اخلي) دي – د ټولنیز څېړونکي لپاره دا هغه عاملي تحلیل (factor analysis) او د کلسترونو تحلیل دي چې پېژني یې، او خپله پاڼه لري: بې څارنې زده کړه – او حساب ماشینونه: د کلسترونو تحلیل او سپړونکی عاملي تحلیل. د دوی ترمنځ – نیمه څارل شوې زده کړه (لږ لیبلونه، ډېر بې لیبله معلومات)، په ځان څارل شوې زده کړه (ماډل خپلو ځانونو ته لیبلونه جوړوي – د انځور یوه برخه پټوي او د هغې بیا جوړول زده کوي – او بیا د بلې دندې لپاره تنظیمېږي: دا د هغو ژبنیو ماډلونو اصل دی چې په د NLP پاڼه کې دي)، او پیاوړې کوونکې زده کړه (اجنټ، کړنې، انعامونه). دوهم – کڅوړه ییزه د آنلاین په وړاندې: هغه ماډل چې یو ځل په ټولو معلوماتو روزل کېږي، د هغه ماډل په پرتله چې د یوه جریان په ترڅ کې زده کړه کوي؛ هغه څه چې څېړونکي پورې اړه لري د "ماډل د وروستو کېدو" (model rot) یادونه ده – د ماډل کړنه له وخت سره کمېږي "یوازې ځکه چې نړۍ وده کوي پداسې حال کې چې ماډل همغسې پاتې دی". درېیم – په مواردو ولاړ د ماډل ولاړ په وړاندې: په یاد زده کول او د ورته والي له مخې عمومي کول (نږدې ګاونډیان)، یا د بېلګو ماډل جوړول. د Géron بېلګه ټولنپوهنیزه ده: له ژوند څخه رضایت د سړي سر ناخالص کورني تولید (GDP) له مخې (د OECD او نړیوال بانک معلومات). مستقیمه کرښه قبرس ته 6.30 ورکوي؛ په GDP کې درې نږدې ګاونډیان – اسرائیل (7.2)، لیتوانیا او سلوانیا (هر یو 5.9) – په اوسط ډول 6.33 ورکوي. دواړه طریقې، یو ځواب، او هېڅ یوې قبرس نه و لیدلی. خو "ګاونډیان" هغه وخت نږدې نه پاتې کېږي چې ډېر متحولونه وي – د بعدونو لعنت: په لسو بعدونو کې، د معلوماتو د 10% د نیولو لپاره باید د هر متحول د ساحې (range) 80% پوښل شي، نو هره "محلي" ګاونډیتوب په حقیقت کې د ټولې فضا ډېره برخه ده (Hastie et al., 2009, pp. 22-23)؛ نو ځکه هره طریقه چې هڅه کوي په کوچنیو ګاونډیتوبونو کې یو محلي بدلېدونکی تابع برابر کړي "په لوړو بعدونو کې به له ستونزو سره مخ شي" (مخ 33). "زموږ هندسي شهودونه، چې په درې بعدي فضا کې په ژوند کولو جوړ شوي، کېدای شي په سخته ناکام شي" په څو بعدي فضاګانو کې – په شلو بعدونو کې په یوې کرې کې تقریباً ټول حجم د څنډې ترڅنګ په یوه نری پوښ کې پروت دی (Bishop, 2006, p. 36). هغې څېړونکې ته چې د 80 توکو (items) او 300 ګډونوالو سروې لري، دا تخنیکي جزییات نه دي – دا هغه لامل دی چې ولې محدود شوي ماډلونه او ونې (5 برخه) هلته کار کوي، او نږدې ګاونډیان نه.

څه خرابېدای شي: بد معلومات او بد ماډل (ibid., "Main Challenges of Machine Learning"). ډېر لږ معلومات – "حتی د ډېرو ساده ستونزو لپاره معمولاً زرګونو بېلګو ته اړتیا وي"؛ د Banko او Brill (2001) مشهورې مقالې وښودله چې ډېر بېلابېل الګوریتمونه، په ګډون د ساده الګوریتمونو، کله چې کافي معلومات ورکړل شي تقریباً یو شان کړنې ته رسېږي – خو Géron پخپله شرط ږدي چې "کوچنۍ او منځنۍ د معلوماتو ټولګې لا هم ډېرې عامې دي"، نو ځکه "الګوریتمونه لا مه پرېږدئ". غیر استازي معلومات – بېلګه زموږ بېلګه ده: د 1936 کال د Literary Digest سروې، شاوخوا لس میلیونه ترلاسه کوونکي، 2.4 میلیونه ځوابونه، د Landon لپاره د 57% وړاندوینه؛ Roosevelt په 62% وګټل. لېستونه (د ټیلیفون ګډونوال، د کلبونو غړي) شتمنو ته کږ وو، او له څلورمې برخې کم ځواب ورکړ – د نمونه اخیستنې تعصب او د ځواب نه ورکولو تعصب (nonresponse bias)، دقیقاً د څېړنې د مېتودونو د کورس په اصطلاحاتو کې. ټیټ کیفیت لرونکي معلومات – لرې پراته ارزښتونه (outliers)، شور، ورک ارزښتونه (missing values): "د معلوماتو ډېری ساینس پوهان د خپل وخت د پام وړ برخه" په پاکولو تېروي. بې اړوندې ځانګړنې – "کثافات ننوځي، کثافات وځي"؛ د ځانګړنو انجنیري د نویو ټاکل، استخراج او راټولول دي. او د ماډل په اړخ کې: زیات برابرول (overfitting) – هغه ماډل چې د معلوماتو د اندازې او په هغو کې د شور په پرتله ډېر پېچلی وي، چې پخپله په شور کې بڼې پېژني؛ بېلګه: د روزنې په معلوماتو کې، ټول هغه هېوادونه چې په نوم کې یې w شته له 7 څخه پورته رضایت لري – نیوزیلنډ (7.3)، ناروې (7.6)، سویډن (7.3) او سویس (7.5) – "تاسو څومره ډاډه یاست چې د w قاعده روانډا یا زیمبابوې ته عمومي کېږي؟" حلونه: ساده ماډل، ډېر معلومات، لږ شور – او منظم کول (regularization): د ماډل محدودول، د بېلګې په توګه میل مجبورول چې کوچنی پاتې شي، چې د یوه هایپر-پارامیټر په واسطه کنټرولېږي. Bishop همدا خبره په یوه څو جمله ییز (polynomial) کې ښيي: د 9 درجې څو جمله ییز په لسو ټکو کې په دقیق ډول له ټولو تېرېږي، د روزنې په صفر تېروتنې، "خو برابر شوی منحني په وحشي ډول ټوپونه وهي" – "او دا چلند د زیات برابرولو په نوم پېژندل کېږي" (مخ 6)؛ "د یوه ټاکلي ماډل د پېچلتیا لپاره، د زیات برابرولو ستونزه څومره چې د معلوماتو ټولګه لویېږي هومره لږه جدي کېږي"، او هغه درنه قاعده چې هغه یې حواله ورکوي – او ځان ترې لرې کوي – دا ده چې د کتنو شمېر باید د ماډل د تطابق وړ پارامیټرونو له شمېر څخه 5 تر 10 چنده کم نه وي (مخ 9). د ضریبونو په اندازه جریمه په احصایه کې "د کوچني کولو مېتودونه" بلل کېږي، مربعي حالت – ridge رګرسیون (regression)، او په عصبي شبکو کې – "د وزنونو کمښت" (مخ 10): د یوه نظر لپاره درې نومونه. او هغه څه چې Bishop د بنسټیزې ادعا په توګه ورزیاتوي: زیات برابرول "د اعظمي احتمالیت (maximum likelihood) عمومي ځانګړنه ده"، او په بېزیایي طریقه کې – چې پکې "د پارامیټرونو اغېزمن شمېر په اتوماتیک ډول د معلوماتو د ټولګې له اندازې سره برابرېږي" – ترې مخنیوی کېدای شي حتی په داسې ماډل کې چې د پارامیټرونو شمېر یې د کتنو له شمېر څخه ډېر زیات وي (مخ 9). او همدا پوښتنه – څومره کتنو ته اړتیا ده – د بڼو پېژندنه د ځانګړنو له اړخه پوښتي: "له بده مرغه، عمومي ځواب نشته"، خو یوه پېژندل شوې پدیده شته – د Hughes پدیده (Hughes phenomenon): تر هغه چې د ځانګړنو شمېر d د کتنو د شمېر n په پرتله کوچنی وي، د یوې ځانګړنې زیاتول ډلبندي ښه کوي؛ کله چې d د n په پرتله کافي لوی شي، "احصایوي باور ټیټېږي، او د تمې پر خلاف، د ډلبندۍ کړنه خرابېږي" – لامل یې "د ډېرو زیاتو ځانګړنو زیاتول دي، پداسې حال کې چې هېره شوې چې د زده کړې د کتنو شمېر محدود دی" (Ishii et al., 2026, pp. 84, 86-87). څېړونکې ته: په مقیاس (scale) کې یو بل توکی (item) ماډل ته اړینه نه ده چې نور معلومات وي. او کم برابرول – د معلوماتو د جوړښت لپاره ډېر ساده ماډل (د رضایت لپاره مستقیمه کرښه)، چې دمخه د روزنې په معلوماتو کې ناکامېږي. په پای کې، د "وړیا ډوډۍ نشته" قضیه (Wolpert, 1996, as cited in Géron, Chapter 1): څوک چې د معلوماتو په اړه هېڅ نه انګېري، هېڅ دلیل نه لري چې یو ماډل پر بل غوره کړي؛ د ماډل هره ټاکنه پټه انګېرنه لري (مستقیمه کرښه = "له کرښې واټن شور دی")، او د دې پوهېدو یوازینۍ لاره چې کوم یو ښه دی پرتله کول دي – په هغو معلوماتو چې د روزنې لپاره نه وي کارول شوي.

3. پروژه له سره تر پایه: اته ګامونه

د Géron 2 څپرکی یوه بشپړه پروژه ده – په کالیفورنیا کې په 20,640 د سرشمېرنې سیمو کې د کور د منځنۍ بیې وړاندوینه (د 1990 سرشمېرنه) – او د کتاب لومړی ضمیمه یې په اتو ګامونو کې په یوه چک لیست بدلوي: د ستونزې چوکاټ جوړول، د معلوماتو ترلاسه کول، د هغو سپړنه، د هغو چمتو کول، د امید وړ ماډلونو لنډ لېست، دقیق تنظیم، د حل وړاندې کول، او پیلول او ساتنه (Géron, 2022، ضمیمه A). هغه څه چې دا پایپ لاین له عادي احصایوي تحلیل څخه جلا کوي الګوریتم نه دی، بلکې څلور پرېکړې دي چې معلوماتو ته له کتلو مخکې کېږي.

الف. چوکاټ: موخه څه ده، شاخص څه دی، نن څه شته. لومړۍ پوښتنه دا ده چې موخه څه ده – "د ماډل جوړول شاید وروستۍ موخه نه وي" – ځکه چې هغه چوکاټ ټاکي (څارل شوی؟ رګرسیون (regression)؟ کڅوړه ییز؟)، الګوریتم او د کړنې شاخص؛ دوهمه دا ده چې اوسنی حل څه دی – په بېلګه کې، متخصصین چې په لاسي ډول اټکل کوي او "له 30% څخه زیات" تېروتنه کوي: دا هغه مرجع کرښه ده چې ماډل باید ترې تېر شي. او بیا انګېرنې ازمویل کېږي: که هغه سیستم چې وړاندوینه ترلاسه کوي بیې په کټګوریو بدلوي ("ارزانه / منځنۍ / ګرانه")، ستونزه ډلبندي ده نه رګرسیون – "تاسو به ونه غواړئ چې دا د رګرسیون په سیستم د میاشتو کار وروسته کشف کړئ" (Chapter 2, "Frame the Problem", "Check the Assumptions"). د کړنې شاخص اوس ټاکل کېږي، نه په پای کې: د رګرسیون لپاره – RMSE، چې لویې تېروتنې جریمه کوي، یا MAE کله چې ډېر لرې پراته ارزښتونه (outliers) وي؛ د ډلبندۍ لپاره – د تېروتنې د بیې له مخې (د کړنې شاخصونه او تایید، 1 برخه او هلته 1 جدول).

ب. د ازموینې ټولګه – له سپړنې مخکې، نه وروسته. "کېدای شي عجیبه ښکاره شي چې په دې پړاو کې د معلوماتو یوه برخه یو طرف ته کېښودل شي"، Géron لیکي، خو "ستاسو دماغ د بڼو د پېژندنې یو حیرانوونکی سیستم دی، او دا په دې مانا هم ده چې زیات برابرولو ته ډېر لېوال دی" – د کتنې تعصب (data snooping bias; Chapter 2, "Create a Test Set"). شاوخوا 20% د ازموینې لپاره، په ثابت او طبقه بندي (stratification) شوي وېش کې؛ جزییات – ولې درې ټولګې او نه دوه، او د کوم واحد له مخې وېشل کېږي – په د کړنې شاخصونه او تایید، برخې 2 او 6 کې.

ج. سپړنه او چمتو کول – یوازې د روزنې په ټولګه، او په تابعګانو کې. سپړنه اشنا ده: وېشونه (distributions)، له هدف سره د Pearson همبستګۍ (Pearson correlation) (په بېلګه کې، منځنی عاید د کور له بیې سره 0.69 همبستګي لري)، د خپرو ټکو ګرافونه (scatter plot)، او د ځانګړنو ترکیبونه (د هر کور خونې د ټولو خونو پر ځای). چمتو کول – په کوډ کې، نه په لاس، د څلورو لاملونو له امله: په نویو معلوماتو بیا تولید، په راتلونکو پروژو کې بیا کارونه، په ژوندي سیستم کې چلول، او د بدیلونو اسانه ازمویل (Chapter 2, "Prepare the Data"). درې ګامونه: ورک ارزښتونه (missing values) – کتارونه لرې کول، متحول لرې کول، یا یو ارزښت ځای پر ځای کول (impute) – میانه (median)، اوسط، مود (mode) – او هغه قاعده چې ماشیني زده کړه د SPSS له عادتونو جلا کوي: میانه د روزنې په ټولګه محاسبه کېږي او ساتل کېږي، تر څو د تایید په ټولګه، د ازموینې په ټولګه او په هر نوي معلومات پلي شي؛ کټګوریک (categorical) متحولونه – یو-ګرم کوډ ورکول (one-hot، ډمي متحولونه)؛ او د پیمانې بدلول – "له یو څو استثناوو پرته، د ماشیني زده کړې الګوریتمونه هغه وخت ښه کار نه کوي چې عددي ځانګړنې ډېرې بېلابېلې پیمانې ولري" (ټولې خونې 6 تر 39,320، عاید 0 تر 15): min-max د 0-1 ساحې ته، یا معیاري کول (اوسط 0، معیاري انحراف 1)، چې لرې پرتو ارزښتونو ته لږ حساس دی. او خبرداری، د Géron په خپلو ټکو: "هېڅکله fit() یا fit_transform() د روزنې له ټولګې پرته د بل څه لپاره مه کاروئ" (Chapter 2, "Feature Scaling and Transformation") – 4 برخه تشریح کوي چې ولې دا وړه خبره نه ده. د پرېکړې ونې اسانه استثنا ده: هېڅ د پیمانې بدلون ته اړتیا نه لري (6 څپرکی).

د. روزل، پرتله کول – په k قاتونو کې – او تنظیمول. د روزنې په معلوماتو خطي رګرسیون (linear regression) د شاوخوا 68,600 ډالرو RMSE ورکوي پداسې حال کې چې ډېری بیې د 120 او 265 زرو ترمنځ دي – کم برابرول. د پرېکړې ونه د 0.0 RMSE ورکوي – "یوه شېبه، څه!؟ هېڅ تېروتنه نشته؟" – بشپړ زیات برابرول (overfitting)، چې د هغو معلوماتو پرته چې ماډل نه وي لیدلي نشي لیدل کېدای. وسیله متقاطع تایید (cross-validation) (k-fold cross-validation) ده: د روزنې ټولګه په 10 قاتونو وېشل کېږي، 10 ځله په 9 روزل کېږي او په لسم ازمویل کېږي، او نه یوازې یو اټکل بلکې د هغه دقت هم ترلاسه کېږي – اوسط او معیاري انحراف. ونه 66,868 (±2,061) ته راټیټېږي، تقریباً د رګرسیون په څېر (69,858 ±4,182)؛ تصادفي ځنګل 47,019 (±1,034) ورکوي – خو پخپله د روزنې په ټولګه شاوخوا 17,474، یعنې لا هم د پام وړ زیات برابرول (Chapter 2, "Better Evaluation Using Cross-Validation"). څومره قاتونه، د یوې معیاري تېروتنې قاعده، او په کوچنۍ نمونه کې څه وشي – د کړنې شاخصونه او تایید، 3 برخه. لارښوونه: له څو کورنیو ماډلونه پرته له تنظیم وازمویئ، 2-5 د امید وړ ته یې لنډ کړئ – او یوازې بیا هایپر-پارامیټرونه تنظیم کړئ، د جال په لټون کې (ټول ترکیبونه) یا، کله چې د ترکیبونو فضا لویه وي، په تصادفي لټون کې (د ترکیبونو ثابت شمېر؛ ضمیمه A: تصادفي غوره کړئ مګر دا چې لږ ارزښتونه وي). له تنظیم وروسته ماډل ته کتل کېږي: تصادفي ځنګل د ځانګړنو اهمیت راپور ورکوي – په بېلګه کې، منځنی عاید لومړی (0.19) – او تېروتنې تحلیلېږي؛ او Géron یوه غوښتنه ورزیاتوي چې هر ټولنیز څېړونکی به یې وپېژني: ډاډ ترلاسه کړئ چې ماډل نه یوازې په اوسط ډول بلکې "د سیمو په ټولو کټګوریو، کلیوالي یا ښاري، شتمنو یا بې وزلو، شمالي یا جنوبي، لږکیو یا نه" کې کار کوي – او که په یوه بشپړه کټګورۍ کې ناکامېږي، د هغې لپاره یې مه پلي کوئ، "ځکه چې کېدای شي له ګټې ډېر زیان ورسوي" (Chapter 2, "Analyzing the Best Models and Their Errors").

ه. د ازموینې ټولګه – یو ځل، او له هغې وروسته لاس نه وړل کېږي. وروستی ماډل د ازموینې په ټولګه د باور واټن (confidence interval) سره اندازه کېږي، او بیا: "تاسو باید د هایپر-پارامیټرونو د تنظیمولو د لېوالتیا په وړاندې مقاومت وکړئ تر څو شمېرې د ازموینې په ټولګه ښې ښکاره شي؛ ښه والی به احتمالاً نویو معلوماتو ته عمومي نه شي" (Chapter 2, "Evaluate Your System on the Test Set"). وړاندې کول – څه زده شول، څه کار وکړ او څه نه، کومې انګېرنې، محدودیتونه څه دي؛ او په بېلګه کې، په صداقت: سیستم د هغو متخصصینو په پرتله چې 30% یې تېروتنه کوله "ډېر ښه نه دی". دوه وروستي ګامونه – پیلول، څارنه او بیا روزنه – ژوندیو سیستمونو پورې اړه لري؛ څېړونکي ته له هغو یوازې د ماډل د وروستو کېدو یادونه پاتې کېږي: ماډل د خپل وخت له معلوماتو سره تړلی دی.

4. څنګه پوهېږو چې ماډل ښه دی – په لنډه توګه

بشپړه بڼه – په د کړنې شاخصونه او تایید کې؛ دلته هغه څلور کرښې چې نور ټول پرې ولاړ دي. شاخص د تېروتنې د بیې له مخې: ټول دقت (accuracy) په یوې نادرې ټولګۍ کې غولوونکی دی – یو ډمي ډلبندوونکی چې هر څه ته "نه" وايي 90% ترلاسه کوي کله چې د کتنو لسمه برخه مثبته وي، "Nostradamus ماتوي" (Géron, 2022, Chapter 3)؛ د ګډوډۍ ماتریس، precision او حساسیت، او حد (cutoff) راپور کېږي. هغه معلومات چې ماډل نه دي لیدلي: د روزنې تېروتنه له پېچلتیا سره تر صفر پورې راټیټېږي، "خو هغه ماډل چې د روزنې صفر تېروتنه لري د روزنې له معلوماتو سره زیات برابر شوی او معمولاً به په بده توګه عمومي شي" (Hastie et al., 2009, pp. 220-221) – نو ځکه روزنه، تایید او ازموینه، او متقاطع تایید (cross-validation) چې اوسط او معیاري انحراف ورکوي. تعصب (bias) او واریانس: د عمومي کولو تېروتنه = تعصب² + واریانس + شور؛ پېچلتیا تعصب ټیټوي او واریانس لوړوي – "نو ځکه دې ته جوړجاړی ویل کېږي" (Géron, Chapter 4). لیک او پوله: Kapoor او Narayanan په 17 ساحو کې په 294 مقالو کې د معلوماتو لیک وموند، او د کورنیو جګړو په وړاندوینه کې، "کله چې تېروتنې سمې شوې، پېچلي د ماشیني زده کړې ماډلونه د لسیزو زړو LR ماډلونو په پرتله په بنسټیز ډول ښه کار نه کوي" (Kapoor & Narayanan, 2023, Section Summary)؛ او له هر څه پورته د Bayes تېروتنه ده – د ځانګړنو د سیستم "نه مخنیوی کېدونکې تېروتنه" (Ishii et al., 2026, p. 101)، هغه پوله چې د Salganik او همکارانو 160 ډلې ورسره په R² = 0.2 کې مخ شوې. هغه پایله چې د مرجع کرښې او ادبیاتو په پرتله ډېره لوړه وي، مخکې له دې چې د لوی پرمختګ نښه وي د لیک نښه ده.

5. ماډلونه: له مستقیمې کرښې تر تصادفي ځنګل پورې

Géron د بېلګې پروژه په دې مشوره پای ته رسوي چې "شاید غوره وي چې له ټول بهیر سره ارام اوسئ او درې-څلور الګوریتمونه ښه وپېژنئ، تر دې چې ټول وخت د پرمختللو الګوریتمونو په سپړلو تېر کړئ" (Chapter 2, "Try It Out!"). 1 جدول هغه کورنۍ تنظیموي چې باید وپېژندل شي، او هغه څه چې له هغه مخکې دي ټولنیز څېړونکي ته درې تر ټولو مهمې تشریح کوي – هغه رګرسیونونه (regression) چې دمخه یې لري، ونه، او ځنګل.

رګرسیونونه – همغه فورمولونه، یو زیاتوب. خطي او لوجستیک رګرسیون (regression) د Géron په کتاب کې (4 څپرکی) دقیقاً هغه څه دي چې د وېبپاڼې په د لوجستیک رګرسیون پاڼه کې دي – د ځانګړنو وزن لرونکې مجموعه، او په لوجستیک کې – د هغې لوجستیک د احتمال په توګه، او یو حد (cutoff) (معمولاً 50%) چې هغه په ډلبندوونکي بدلوي؛ څو ټولګیو ته پراخول یې softmax رګرسیون دی. هغه څه چې کتاب یې ورزیاتوي منظم کول (regularization) دي: ridge رګرسیون (ridge؛ د ضریبونو د مربعاتو په مجموعه جریمه – هغوی کوچني کوي)، lasso (lasso؛ د هغوی د مطلقو ارزښتونو په مجموعه جریمه – ځینې یې صفر کوي، یعنې ځانګړنې ټاکي)، الاسټیک جال (ترکیب)، او مخکې له وخته درول. Hastie او همکاران یې – Tibshirani د lasso اختراع کوونکی دی – هغه څه چې کوي یې په دقیق ډول بیانوي: کله چې د ضریبونو د مجموعې بودیجه کمه شي، "ځینې ضریبونه به دقیقاً صفر وي. په دې ډول lasso یو ډول پرله پسې د فرعي ټولګې ټاکنه ترسره کوي" (Hastie et al., 2009, p. 69). هغې څېړونکې ته چې "لکه څنګه چې دی" رګرسیون ته عادت ده: کله چې موخه وړاندوینه وي، هغه ماډل چې کوچني شوي او "غلط" ضریبونه لري ځینې وختونه د هغه ماډل په پرتله چې بې تعصبه ضریبونه لري ښه وړاندوینه کوي – دا په عمل کې د 4 برخې جوړجاړی دی، او محدود شوی ضریب داسې ضریب نه دی چې د اغېز په توګه تفسیر شي.

د پرېکړې ونه – سپین بکس. ونه (6 څپرکی) د پوښتنو لړۍ ده: د ګل پاڼې اوږدوالی له 2.45 سانتي مترو کم دی؟ – که هو، Iris setosa؛ که نه، پلنوالی یې له 1.75 کم دی؟ – versicolor، که نه virginica. الګوریتم (CART) په هر غوټه کې یوه ځانګړنه او یو حد (cutoff) ټاکي چې ډله په دوو تر ټولو پاکو فرعي ډلو وېشي (د هغوی د اندازې له مخې وزن لرونکي)، د Gini په شاخص د تلوالې (default) په توګه یا په انټروپي – "ډېری وخت دا ډېر توپیر نه کوي"، Gini چټک دی. په پاڼه کې د ټولګۍ احتمال په هغې کې د همغې ټولګۍ د کتنو تناسب دی (له 54 څخه 49 = 90.7%). ګټې: تقریباً د معلوماتو له چمتو کولو پرته، د پیمانې له بدلون پرته، او تفسیر – "ښکلي او ساده د ډلبندۍ قواعد چې حتی په لاس پلي کېدای شي" – نو ځکه "سپین بکس ماډل"، د ځنګلونو او شبکو په پرتله، چې "تور بکس" ګڼل کېږي: ښه وړاندوینه کوي، او هر محاسبه چې یې کړې کتل کېدای شي، "او بیا هم معمولاً په ساده ټکو تشریح کول ستونزمن دي چې ولې وړاندوینې وشوې". زیانونه: ونه یو ناپارامیټري (nonparametric) ماډل دی – د پارامیټرونو شمېر مخکې له مخکې ثابت نه دی، او که محدود نه شي له معلوماتو سره تر زیات برابرولو (overfitting) پورې نښلي (اعظمي ژوروالی – تلواله: بې پولې – د پاڼو شمېر، په پاڼه کې د کتنو اصغري شمېر)؛ هغه پر محورونو عمودي پولې خوښوي، نو ځکه د معلوماتو څرخ ته حساسه ده؛ او تر ټولو مهم – لوړ واریانس: په معلوماتو یا هایپر-پارامیټرونو کې کوچنی بدلون ډېره بېله ونه ورکوي، او حتی په همغو معلوماتو بیا روزنه کېدای شي بله ونه ورکړي، ځکه چې الګوریتم هغه ځانګړنې چې په هر غوټه کې یې ازمویي په تصادفي ډول نمونه کوي (مګر دا چې تصادفي تخم (random seed) وټاکل شي؛ 6 څپرکی، "Decision Trees Have a High Variance"). احصایه پوهان له دواړو خواوو موافق دي: "د ونو یوه اصلي ستونزه د هغوی لوړ واریانس دی. ډېری وخت په معلوماتو کې کوچنی بدلون کولی شي د وېشونو ډېره بېله لړۍ رامنځته کړي، چې تفسیر یو څه ناباوره کوي" – د سلسله مراتبي جوړښت له امله، په پورتني وېش کې تېروتنه د هغه لاندې ټولو ته خپرېږي (Hastie et al., 2009, p. 312)؛ او سره له دې، "د زده کړې د ټولو پېژندل شویو مېتودونو څخه، د پرېکړې ونې د غوښتنو پوره کولو ته تر ټولو نږدې دي" د معلوماتو د کیندنې لپاره د "چمتو" مېتود – چټکې، د تفسیر وړ (کله چې ونه کوچنۍ وي)، د عددي او کټګوریکو متحولونو له ګډون او له ورکو ارزښتونو سره مقابله کوي، د یو اړخیزو بدلونونو او په وړاندوینوونکو کې د لرې پرتو ارزښتونو په وړاندې بې پروا دي (مخ 352). په همغه مخ کې هغه یادونه هم شته چې څېړونکو ته اړینه ده: د معلوماتو د کیندنې غوښتنلیکونه "معمولاً د تفسیر وړ ماډلونو ته اړتیا لري. دا بسنه نه کوي چې یوازې وړاندوینې تولید شي" – نو ځکه "تور بکس مېتودونه لکه عصبي شبکې" هلته ډېر لږ ګټور دي (مخ 351-352). څوک چې راپور ورکوي "ونې وموندله چې…" د ډېرو ممکنو ونو څخه د یوې ونې راپور ورکوي.

تصادفي ځنګل – د ګڼې ګوڼې حکمت، د تفسیر په بیه. د واریانس حل اوسط اخیستل دي: د وړاندوینوونکو (predictors) یو "انسمبل" (7 څپرکی). د Géron شهود یوه کږه سکه ده چې د 51% په احتمال "ونه" راځي – په یوه اچونه کې تقریباً تصادفي، خو په 1,000 اچونو کې د "ونې" د اکثریت احتمال شاوخوا 75% دی، او په 10,000 کې له 97% پورته: د لویو شمېرو قانون – په دې شرط چې وړاندوینوونکي کافي ډېر او کافي بېلابېل وي. تنوع په دوو لارو ترلاسه کېږي: bagging (bagging, "bootstrap aggregating"; Breiman, 1996, as cited in Géron) – هره ونه د روزنې له ټولګې څخه د بیا ځای پر ځای کولو سره په یوه نمونه روزل کېږي (په اوسط ډول د کتنو شاوخوا 63%؛ پاتې 37%، "له کڅوړې بهر"، د وړیا تایید لپاره کارېږي – out-of-bag evaluation – پرته له جلا د تایید ټولګې)؛ او برسېره پر دې، په تصادفي ځنګل کې، په هر غوټه کې ونه غوره وېش یوازې د ځانګړنو له یوې تصادفي فرعي ټولګې څخه ټاکي (د تلوالې په توګه له n څخه د n جذر) – "چې یو ځل بیا لوړ تعصب د ټیټ واریانس سره بدلوي، او معمولاً په ټولیز ډول ښه ماډل ورکوي" (Chapter 7, "Random Forests"). رسمي سرچینه Breiman (2001b) دی: د ونو یو ترکیب چې هره یوه یې په یوه تصادفي وکټور پورې تړلې ده چې په خپلواک ډول نمونه شوی، او د هغه د عمومي کولو تېروتنه د ونو د شمېر په زیاتېدو یوې پولې ته همګرا کېږي (لنډیز) – یعنې، د ونو زیاتول زیات برابرول (overfitting) نه تولیدوي. Hastie او همکاران یې دا ادعا دقیقه کوي: سمه ده چې "د B زیاتول د تصادفي ځنګلونو لړۍ زیات برابرولو ته نه اړوي"، خو هغه پوله چې ورته همګرا کېږي "کېدای شي له معلوماتو سره زیاته برابره شي" – د بشپړو ونو اوسط کېدای شي ډېر بډای ماډل وي؛ د دوی د تجربې له مخې، د بشپړو ونو روزل "په ندرت سره ډېر لګښت لري" او د تنظیم یو پارامیټر سپموي (Hastie et al., 2009, p. 596). او د دوی عمومي ارزونه، چې تشریح کوي ولې ځنګل د 8 برخې مرجع کرښه ده: "په ډېرو ستونزو کې د تصادفي ځنګلونو کړنه د boosting کړنې ته ډېره ورته ده، او د روزنې او تنظیم لپاره ساده دي" (مخ 587)؛ له کڅوړې بهر د تېروتنې اټکل د N قاتونو له متقاطع تایید (cross-validation) سره "تقریباً یو شان" دی (مخ 593). ځنګل د ځانګړنو اهمیت هم اندازه کوي: هره ځانګړنه په اوسط ډول په ټولو هغو غوټو کې چې کاروي یې څومره ناپاکي کموي، د کتنو په شمېر وزن لرونکې، او 1 ته جمع کېږي (په Iris کې: د ګل پاڼې اوږدوالی 44%، پلنوالی یې 42%، د کاسې پاڼې 11% او 2%). هغه څه چې ځنګل یې نه ورکوي لوری دی: اهمیت ضریب نه دی، او نه وايي چې ځانګړنه احتمال لوړوي که ټیټوي. خور کورنۍ: boosting – "په تېرو شلو کلونو کې د زده کړې له تر ټولو پیاوړو نظرونو څخه یو" (Hastie et al., 2009, p. 337)؛ Breiman د ونو سره AdaBoost "په نړۍ کې تر ټولو غوره چمتو ډلبندوونکی" وباله (لکه څنګه چې هلته راغلي، مخ 340) – په لړۍ کې ونې، هره یوه خپله مخکینۍ سموي (AdaBoost هغه کتنې چې په غلطه ډلبندي شوې بیا وزن ورکوي؛ gradient boosting هره ونه د خپلې مخکینۍ له پاتې ارزښتونو (residuals) سره برابروي؛ د لویو معلوماتو لپاره په ټوکریو ولاړ پلي کول – سلګونه چنده چټک؛ XGBoost، LightGBM او CatBoost له scikit-learn بهر)؛ او stacking (stacking) – یو ماډل چې د نورو وړاندوینو ته وزن ورکول زده کوي.

سپین او تور بکس – او کله چې تور منع دی. Cynthia Rudin استدلال کوي چې "دا افسانه ده چې د دقت او تفسیر ترمنځ اړینه جوړجاړی شته": دا باور چې ډېر پېچلي ماډلونه ډېر دقیق دي "ډېری وخت سم نه دی، په ځانګړي ډول کله چې معلومات جوړښت ولري، د طبیعي مانا لرونکو ځانګړنو په اصطلاح ښه استازیتوب سره" – او د سروې معلومات دقیقاً همدا دي. هغه تشریحات چې وروسته په تور بکس اغوستل کېږي (دوهم ماډل چې د لومړي تقلید کوي) "باید غلط وي": که هغوی له اصلي ماډل سره بشپړ وفادار وای، تشریح به له ماډل سره برابره وه او اصلي ته به اړتیا نه وه؛ د هغې بېلګه COMPAS دی – په متحده ایالاتو کې په محکمو کې د بیا جرم کولو (recidivism) د وړاندوینې لپاره ځانګړی ملکیت ماډل، چې ProPublica پرې د یوه خطي تشریحي ماډل پر بنسټ چې ورته یې جوړ کړی و نژادي تعصب تور ولګاوه، پداسې حال کې چې پخپله ماډل شاید غیر خطي و (Rudin, 2019, Section 2). د هغې پایله: د انسانانو په اړه د لوړ خطر پرېکړو لپاره – حقوق، روغتیا، هوساینه – باید له پیله د تفسیر وړ ماډلونه جوړ شي، نه دا چې تور بکسونه تشریح شي. څېړونکې ته: د څو سوو ګډونوالو د سروې په معلوماتو، محدود شوی لوجستیک رګرسیون (logistic regression) یا یوه ټیټه ونه به ډېری وخت د ځنګل په څېر وړاندوینه وکړي – او دا به هم ووايي چې ولې. ځنګل د مرجع کرښې په توګه چلول کېږي: که ډېر ښه وي، په معلوماتو کې غیر خطي والی یا متقابل اغېزونه (interaction) شته چې د تفسیر وړ ماډل یې له لاسه ورکوي – او د همدې راپور ورکول کېږي.

6. عصبي شبکې – کله هو او کله نه

مصنوعي عصبي شبکې (10 څپرکی) له دماغ څخه الهام اخیستی، خو "لکه څنګه چې الوتکو له مرغانو الهام اخیستی، دوی اړتیا نه لري چې د الوتلو لپاره وزرونه وخوځوي"؛ لومړنی ماډل د McCulloch او Pitts (1943) دی، او له هغه وروسته دوه "ژمي" – د 60 مې او 90 مې لسیزې، کله چې د ملاتړ وکټور ماشینونه ډېر د امید وړ ښکارېدل. اوسنۍ څپه، د Géron په وینا، د څلورو لاملونو له امله توپیر لري: د معلوماتو اندازه، د محاسبې ځواک (د Moore قانون، د GPU کارتونه چې د لوبو صنعت په میلیونونو جوړ کړل، کلاوډ)، د روزنې په الګوریتمونو کې کوچني خو پرېکنده ښه والي، او دا څرګندېدل چې نظري محدودیتونه – لکه محلي اپټیموم – په عمل کې زیان نه رسوي. او شبکه له احصایوي پلوه څه ده: "د عصبي شبکو په شاوخوا کې ډېر هایپ و، چې هغوی یې جادويي او پراسرار ښکاره کړې. لکه څنګه چې موږ په دې برخه کې روښانه کوو، هغوی یوازې غیر خطي احصایوي ماډلونه دي" – په دوو پړاوونو کې د رګرسیون (regression) یا ډلبندۍ ماډل (Hastie et al., 2009, p. 392). بنسټیز جوړښت، څو پوړیز پرسېپټرون، د ننوتو پوړ، یو یا ډېر پټ پوړونه، او د وتو پوړ دی – او Bishop یادونه کوي چې دا نوم "په حقیقت کې غلط نوم دی، ځکه چې ماډل د لوجستیک رګرسیون (logistic regression) د ماډلونو له ډېرو پوړونو جوړ دی" (له پرله پسې غیر خطي والي سره) نه له پرسېپټرونونو (Bishop, 2006, p. 226): هغې څېړونکې ته چې لوجستیک رګرسیون پېژني، شبکه هغه لوجستیک رګرسیونونه دي چې یو بل ته تغذیه کېږي؛ "ژوره" هغه شبکه ده چې د پټو پوړونو ژوره ډېرۍ ولري، که څه هم "ډېر خلک هر کله چې عصبي شبکې پکې شاملې وي (حتی سطحي) د ژورې زده کړې خبرې کوي". روزنه – شاته خپرېدنه (backpropagation): په سرچپه حالت کې اتوماتیک مشتق نیول (Linnainmaa، 1970) چې په دوو تګونو کې – مخکې او شاته – محاسبه کوي چې هر وزن څنګه بدل شي تر څو تېروتنه کمه شي، او بیا د ګرادیانت د ښکته کېدو یو ګام؛ او همداسې تکرار. یو پټ پوړ کولی شي، له نظري پلوه، هر تابع ماډل کړي که کافي واحدونه ولري، خو ژورې شبکې په پارامیټرونو کې په څو درجو سپما کوي، ځکه چې په معلوماتو کې له سلسله مراتبو ګټه اخلي – کرښې، بیا بڼې، بیا مخونه – او همدا هغه څه دي چې د زده کړې لېږد (transfer learning) هم ممکنوي: د یوې روزل شوې شبکې ښکتني پوړونه اخیستل او یوازې پورتني یې د نوې دندې لپاره روزل. "په ندرت سره به اړتیا ولرئ چې داسې شبکې له صفر څخه وروزئ" (Chapter 10, "Number of Hidden Layers").

او کله نه. خبرداری دمخه د کتاب په سریزه کې دی: "په بېړه ژورو اوبو ته مه ټوپ وهئ… ډېری ستونزې په ساده تخنیکونو لکه تصادفي ځنګلونو او انسمبل مېتودونو ښه حل کېدای شي… ژوره زده کړه د پېچلو ستونزو لپاره لکه د انځور پېژندنه، د وینا پېژندنه یا د طبیعي ژبې پروسس تر ټولو مناسبه ده، او ډېرو معلوماتو، د محاسبې ځواک او صبر ته اړتیا لري (مګر دا چې د دمخه روزل شوې عصبي شبکې څخه ګټه واخیستل شي)" (Géron, 2022، سریزه، "Roadmap"). د ټولنیز څېړونکي لپاره پایله ښکاره ده: د سروې په جدول – نه؛ په لیکلو متنونو، پوسټونو، انځورونو او ثبتونو – هو، خو تقریباً تل د یوه دمخه روزل شوي ماډل له لارې چې بل چا په میلیونونو بېلګو روزلی، او تنظیمېږي یا یوازې چلول کېږي: DictaBERT، HeBERT او BEREL چې په د NLP پاڼه کې دي دقیقاً همدا ډول شبکې دي، او هلته لارښوونه – د 100-200 توکو (items) لاسي نمونه او د کوډ ورکوونکو ترمنځ موافقه مخکې له دې چې په پایلو باور وشي – په نورو ټکو د همدې پاڼې 4 برخه ده. د شبکو د لیکلو وسیله Keras (جدول 2) ده – "د لوړې کچې انټرفېس، ښکلی ډیزاین شوی او ساده" د TensorFlow پر سر، او ډېری اړتیاوې به پرې پوره شي.

7. وسیلې

ټول کتاب په Python کې چلېږي، او لومړۍ برخه یې په scikit-learn کې – هغه کتابتون چې Géron یې د API د ډیزاین ستاینه کوي: هر شی یو اټکلوونکی (estimator) دی د fit() سره، ځینې یې بدلوونکي د transform() سره او ځینې یې وړاندوینوونکي د predict() سره؛ هایپر-پارامیټرونه ښکاره دي، زده شوي پارامیټرونه د لاسرسي وړ دي (په پای کې د لاندینۍ کرښې سره)، معلومات د NumPy اریې دي نه ځانګړې ټولګۍ، او هر څه په یوه پایپ لاین (Pipeline) کې سره تړل کېدای شي – چې هغه میکانیزم هم دی چې د 4 برخې د لیک مخه نیسي، ځکه چې ټول پایپ لاین په روزنه برابرېږي او په پاتې برخو پلي کېږي (Chapter 2, "Scikit-Learn Design", "Transformation Pipelines"). 2 جدول وسیلې د اړتیا له مخې تنظیموي؛ څوک چې کوډ نه لیکي پکې به درې ګرافیکي وسیلې ومومي – دوه پرانیستې سرچینه او یوه پیسو ته، چې 10 برخه ورته ځانګړې شوې. نورې احصایوي وسیلې – R، PSPP، JASP، jamovi – په د وسیلو نقشه کې، 8 برخه.

8. د کار نسخه: په ټولنیزه څېړنه کې ماشیني زده کړه

عادي حالت: د څو سوو ګډونوالو سروې د دوه ارزښتیزې (binary) پایلې سره (پرېښودل، رایه ورکول، د مرستې غوښتل)، یا د زرګونو اداري فایل. پوښتنه: ایا پایله له شالید متحولونو وړاندوینه کېدای شي – او څومره ښه، د هغه څه په پرتله چې دمخه پېژندل کېږي. اووه ګامونه، او هر یو مستندېږي؛ فایل – د وېبپاڼې په معیاري کینډۍ کې، کتار = ګډونوال، ستون = متحول، او له SPSS څخه – د له SPSS څخه اکسل ته له لارې.

9. او دا په R کې څنګه کېږي

د 8 برخې نسخه، د یوه سکریپټ په توګه چې د پاڼې د بېلګې معلوماتو په فایل له پیل تر پایه چلېږي – DATA_ml_example_eng.xlsx (او د عبري نومونو سره نسخه، DATA_ml_example_heb.xlsx): په اتو ښوونځیو کې 320 زده کوونکي، اووه شالید متحولونه او یوه دوه ارزښتیزه (binary) پایله – پرېښودل (11.6%) – په دوو متحولونو کې د ورکو ارزښتونو (missing values) سره، د وېبپاڼې په معیاري کینډۍ کې. د وسیلو ټاکنه د Gutierrez د لارښوونې کتاب پسې ځي، چې د همدې پوښتنې پر شاوخوا لیکل شوی – د ماشیني زده کړې پروژه په R کې څنګه ښکاري، د فایل له لوستلو تر د ماډل ارزونې پورې: glm د family = binomial سره د لوجستیک رګرسیون (logistic regression) لپاره، randomForest د ntree او mtry سره، او importance() د ځانګړنو د اهمیت لپاره (Gutierrez, 2015, Chapter 6, "Logistic Regression", "Random Forests")؛ روزنې، تایید او ازموینې ته وېش – د هغه په بیان "60% روزنه، 20% متقاطع تایید (cross-validation) او 20% ازموینه" – او د ازموینې ټولګه "په بشپړ ډول یوازې پرېښودل کېږي، ځکه چې هېڅکله په بهیر کې نه کارول کېږي" د ماډل د ټاکلو (Gutierrez, 2015, Chapter 7, "Bias and Variance", "Cross Validation")؛ او د منظم کولو (regularization) لپاره – glmnet، چې پکې alpha = 0 ridge ورکوي او alpha = 1 lasso، او lambda ځواک کنټرولوي (Chapter 7, "Overfitting"). هغه څه چې سکریپټ په کتاب زیاتوي د caret کڅوړه ده (Kuhn, 2008): طبقه بندي (stratification) شوی وېش، متقاطع تایید، تنظیم او د قاتونو دننه چمتو کول – د ورکو ارزښتونو ځای پر ځای کول او معیاري کول (standardization) په preProcess کې، چې یوازې د روزنې په قات برابرېږي – د ټولو ماډلونو لپاره په یوه انټرفېس کې، او په دې ډول په تېروتنه لیک ناشونی دی (د کړنې شاخصونه او تایید، 5 برخه). لاره C:\Rdata\ – د حساب ماشین په پاڼو کې د R د برخو همغه دود.

# machine_learning.R - machine learning in social research: the seven-step recipe in R
# Data: DATA_ml_example_eng.xlsx - 320 students in 8 schools; outcome dropout (0/1).
library(readxl)        # read Excel
library(caret)         # split, cross-validation, tuning, confusion matrix
library(randomForest)  # random forest
library(pROC)          # ROC curve and AUC confidence interval

d <- read_excel("C:/Rdata/DATA_ml_example_eng.xlsx")
d$dropout <- factor(d$dropout, levels = c(0, 1), labels = c("no", "yes"))
d$gender  <- factor(d$gender, levels = c(1, 2), labels = c("male", "female"))
d$id <- NULL                      # the id column is not a variable

# --- Step 1: goal, metric, baseline ------------------------------------------
# Metric: AUC (no threshold) and sensitivity at the chosen threshold. First baseline - the dummy classifier:
prop.table(table(d$dropout))      # majority-class rate = accuracy of "always no"

# --- Step 2: the split - first, stratified by outcome, fixed seed -----------
set.seed(20260920)
idx   <- createDataPartition(d$dropout, p = 0.8, list = FALSE)
train <- d[idx, ]
test  <- d[-idx, ]                # test set - untouched until step 6

# --- Step 3: preparation inside the pipeline - imputation and scaling within folds ---
ctrl <- trainControl(method = "cv", number = 10, classProbs = TRUE,
                     summaryFunction = twoClassSummary, savePredictions = "final")
prep <- c("medianImpute", "center", "scale")   # caret fits these on the training fold only (na.action = na.pass: NAs imputed in the pipeline)

# --- Step 4: compare models by cross-validation - same folds for all ---------
set.seed(1)
m_base <- train(dropout ~ age + gender + ses, data = train, method = "glm",
                family = binomial, metric = "ROC", trControl = ctrl)           # baseline: background variables
set.seed(1)
m_glm  <- train(dropout ~ . - school_id, data = train, method = "glm",
                family = binomial, metric = "ROC", trControl = ctrl, preProcess = prep, na.action = na.pass)
set.seed(1)
m_tree <- train(dropout ~ . - school_id, data = train, method = "rpart",
                metric = "ROC", trControl = ctrl, preProcess = prep, na.action = na.pass)
set.seed(1)
m_rf   <- train(dropout ~ . - school_id, data = train, method = "rf",
                metric = "ROC", trControl = ctrl, preProcess = prep, ntree = 500, na.action = na.pass)
res <- resamples(list(baseline = m_base, logistic = m_glm, tree = m_tree, forest = m_rf))
t(sapply(res$values[, grep("~ROC$", names(res$values))],
         function(x) c(mean = mean(x), sd = sd(x))))   # mean and SD of AUC over the 10 folds

# --- Step 5: tuning - candidates only ----------------------------------------
set.seed(1)
m_rf_t <- train(dropout ~ . - school_id, data = train, method = "rf",
                metric = "ROC", trControl = ctrl, preProcess = prep, ntree = 500, na.action = na.pass,
                tuneGrid = data.frame(mtry = c(2, 3, 4, 6)))
m_rf_t$results[, c("mtry", "ROC", "ROCSD")]

# --- Step 6: the test set - once -----------------------------------------------
final <- if (max(m_rf_t$results$ROC) - max(m_glm$results$ROC) > m_glm$results$ROCSD) m_rf_t else m_glm
# threshold chosen on the training set's cross-validated predictions (savePredictions) - not on the test set
roc_cv <- roc(final$pred$obs, final$pred$yes, levels = c("no", "yes"), direction = "<")
thr    <- coords(roc_cv, "best", best.method = "youden", ret = "threshold")$threshold
thr                                                          # the threshold to apply to the test set
p_test <- predict(final, test, type = "prob", na.action = na.pass)[, "yes"]
roc_t  <- roc(test$dropout, p_test, levels = c("no", "yes"), direction = "<")
auc(roc_t); ci.auc(roc_t)                                    # AUC and 95% CI on the test set
pred_t <- factor(ifelse(p_test >= thr, "yes", "no"), levels = c("no", "yes"))
confusionMatrix(pred_t, test$dropout, positive = "yes", mode = "everything")   # at the chosen threshold
confusionMatrix(predict(final, test, na.action = na.pass), test$dropout, positive = "yes")$byClass[c("Sensitivity", "Specificity")]  # and at 0.5, for comparison

# --- Step 7: report - plus feature importance (no direction) ----------------
varImp(final)

# --- Dependent data: folds by school instead of by student -----------------
folds_g <- groupKFold(train$school_id, k = 5)
ctrl_g  <- trainControl(method = "cv", index = folds_g, classProbs = TRUE,
                        summaryFunction = twoClassSummary)
set.seed(1)
m_rf_g <- train(dropout ~ . - school_id, data = train, method = "rf",
                metric = "ROC", trControl = ctrl_g, preProcess = prep, ntree = 500, na.action = na.pass)
m_rf_g$results[, c("mtry", "ROC", "ROCSD")]    # compare with m_rf: the gap is what the dependence "contributed"

څه راووتل (R 4.3.3، caret 6.0-94، randomForest 4.7-1.1، pROC 1.18.5؛ بشپړې پایلې – qa/ml/ml_out.txt). ډمي ډلبندوونکی: 88.4% ټول دقت – دا د پوړ کرښه ده. د لسو قاتونو په متقاطع تایید (cross-validation) کې، اوسط AUC: مرجع کرښه (عمر، جنس، ټولنیز حیثیت) .59 (معیاري انحراف .21)، په ټولو متحولونو لوجستیک رګرسیون (logistic regression) .66 (.22)، ونه .64 (.14)، تصادفي ځنګل .64 (.21)؛ د ځنګل تنظیم (mtry 2-6) لږ تر لږه .65 ته ورسېد. د 5 ګام قاعدې لوجستیک رګرسیون وټاکه: ځنګل له هغه په داسې توپیر تېر نه شو چې له معیاري انحراف زیات وي – او "ځنګل له رګرسیون ښه نه دی" موندنه ده، نه ناکامي. د ازموینې په ټولګه (63 زده کوونکي، 7 پرېښودونکي): AUC = .74، د 95% د باور واټن (confidence interval) [.50, .97] – پراخ، ځکه چې اووه مثبت موارد اووه دي. او حد (cutoff): په 0.5 حد کې ماډل هېڅ پرېښودونکی نه پېژني (حساسیت 0، ځانګړتیا (specificity) 1 – "Nostradamus ماتوي")؛ هغه حد چې د روزنې ټولګې د متقاطع تایید په وړاندوینو ټاکل شوی، نه په ازموینه، .12 دی – او په هغه کې حساسیت .71، ځانګړتیا .73، precision .25: ماډل له اوو پرېښودونکو څخه پنځه نیسي د 15 دروغجنو خبرتیاوو په بیه. د ځانګړنو اهمیت – نمرې، ټولنیز حیثیت، غیر حاضرۍ – پرته له لوري. او په پای کې د زده کوونکي پر ځای د ښوونځي له مخې وېش: د ځنګل AUC له .64 څخه .60 ته راټیټېږي – دا کوچنی توپیر هغه څه دي چې د یوه ښوونځي د زده کوونکو ترمنځ تړاو لومړۍ شمېرې ته "ورکړی" و (د کړنې شاخصونه او تایید، 6 برخه). معلومات مصنوعي دي، او همدا ټکی دی: په 320 ګډونوالو یوه ریښتینې پروژه همداسې ښکاري – نه AUC = .95.

10. او دا په SPSS Modeler کې څنګه کېږي

هغې ته چې څېړنه یې په SPSS کې ژوند کوي، ماشیني زده کړې ته لنډه لاره Python نه بلکې خور سافټوېر دی: SPSS Modeler، چې پکې "د معلوماتو کیندنه د غوټو د یوې لړۍ له لارې د معلوماتو تېرول دي، چې 'جریان' بلل کېږي. هره غوټه یو ځانګړی عمل استازیتوب کوي چې په معلوماتو پلي کېږي، او د غوټو ترمنځ اړیکې د معلوماتو بهیر ټاکي" (Truong, 2026, p. 56). دا برخه د Truong د درسي کتاب پسې ځي او د 8 برخې د نسخې اووه ګامونه – او د 9 برخې R سکریپټ – په غوټو ژباړي. یو شرط، د 9 برخې پر خلاف: Modeler د وېبپاڼې د ازموینې په چاپېریال کې نه دی نصب، نو ځکه هغه څه چې دلته لیکل شوي د کتاب له مخې تشریح ده، نه چلول؛ هغه څوک چې یې چلوي – جریان (د str فایل) مستندوي لکه څنګه چې نوټ بوک ضمیمه کېږي.

بهیر. Modeler د CRISP-DM پر شاوخوا جوړ دی – "د معلوماتو د کیندنې د بهیر لپاره د صنعتونو ترمنځ معیار"، شپږ پړاوونه: د سوداګرۍ پوهه، د معلوماتو پوهه، د معلوماتو چمتو کول، ماډل جوړونه، ارزونه او پلي کول؛ "په صنعت کې تر اکاډمۍ ډېر مشهور دی، او IBM په سافټوېر کې خپل او پلی کړی" (مخ 32). د 19.0 نسخې د کاروونکي په لارښود کې: "د سوداګرۍ پوهه. دا شاید د معلوماتو په کیندنه کې تر ټولو مهم پړاو وي" (IBM Corporation, 2025, p. 23)، او جریان – "د غوټو لړۍ… چې هغه عملیات استازیتوب کوي چې په معلوماتو به ترسره شي، پداسې حال کې چې د غوټو ترمنځ اړیکې د معلوماتو د بهیر لوری ښيي" (مخ 31). څېړونکې ته، "د سوداګرۍ پوهه" د 8 برخې 1 ګام دی – موخه، شاخص، مرجع کرښه – او له سافټوېر پرانیستو مخکې ترسره کېږي.

جریان، غوټه په غوټه. Statistics File – د sav فایل مستقیم لولي (او د وېبپاڼې په کینډۍ کې اکسل فایل لپاره – Excel غوټه). Type – "د اندازه ګیرنې د کچو او د ساحو د رولونو د لیدلو او بدلولو لپاره": دلته هدف (Target)، وړاندوینوونکي (Input)، او هغه څه چې ماډل ته به نه ننوځي – د ګډونوال د پېژندنې شمېره، هغه متحول چې په بڼه بدلولو کې هدف دی – د None په توګه نښه کېږي؛ دا د 8 برخې 3 ګام دی، او دا هغه ځای دی چې L2 لیک پکې مخنیوی کېږي یا ننوځي. Partition – "روزنه، ازموینه او تایید" په هغو تناسبونو چې داخلېږي (مخ 87-88)، او د IBM د اسنادو په ژبه: "ماډل په یوه نمونه وروزئ، په دوهمه نمونه کې یې وازمویئ او ښه یې کړئ، او پایلې په درېیمه کې تایید کړئ" (IBM Corporation, 2016b, p. 157)؛ نومونو ته پام وکړئ: په Modeler کې "ازموینه" دوهمه ټولګه ده، د ماډلونو د پرتلې لپاره، او "تایید" – درېیمه، د وروستۍ اندازه ګیرنې لپاره، د Géron او د دې پاڼې د دود سرچپه (د کړنې شاخصونه او تایید، 2 برخه؛ د Truong په کتاب کې 3.8 جدول، مخ 85). د سلګونو د نمونې لپاره، پخپله د Truong سپارښتنه یوازې دوه ټولګې دي، 60-40 (مخ 87) – او متقاطع تایید (cross-validation)، چې د 9 برخې زړه دی، د Modeler تلواله (default) نه ده: د Truong په کتاب کې د هایپر-پارامیټرونو د تنظیم لپاره سپارښتل شوی (مخ 522)، خو په کتاب کې ټولې بېلګې په یوه وېش اندازه کېږي. د ماډلونو غوټې – د Modeling له ډلې: Logistic (مرجع کرښه او نوماند هم)، C&R Tree او CHAID (ونه؛ CHAID د χ² ازموینې له مخې وېشي او غیر دوه ګوني وېش ممکنوي)، Neural Net، Random Forest او XGBoost Tree (ځنګل او boosting – د Python غوټې، چې پراختیا ته اړتیا لري)، او Auto Classifier، چې څو الګوریتمونه چلوي او درجه بندي کوي یې – اسانه، په دې شرط چې هغه څه چې د هغې له مخې درجه بندي کوي د 1 ګام شاخص وي. د ځنګل غوټه "د هایپر-پارامیټرونو اپټیمایزېشن لري، چې په اتوماتیک ډول د پارامیټرونو غوره ترکیب لټوي تر څو په نمونو کې د تېروتنې کچه کمه کړي" (مخ 499) – دا 5 ګام دی، خو پام وکړئ چې په کومو نمونو: که د Modeler د "ازموینې" په ټولګه وي، هغه د تایید ټولګه شوه، او دا سمه ده – تر هغه چې وروستۍ اندازه ګیرنه په "تایید" وي. د Modeler اکاډمیک درسي کتاب سپارښتنه کوي "د معلوماتو 70-80% د روزنې ټولګې ته او پاتې د ازموینې ټولګې ته" او د Partition په غوټه کې تصادفي تخم (random seed) ثابت کړئ "تر څو په هر ځل چلولو کې همغه ماډل ترلاسه شي" (Wendler & Gröttrup, 2021, p. 826) – او د ماډل د ټاکلو په اړه، هغه څه چې دا پاڼه په 5 برخه کې وايي: "داسې مېتود نشته چې د هر ډول معلوماتو او د ډلبندۍ ستونزې لپاره له هر بل ماډل غوره وي… موږ په کلکه سپارښتنه کوو چې په هره د معلوماتو ټولګه بېلابېلې طریقې او مېتودونه وازمویئ" (مخ 760). هره د ماډل غوټه یو "nugget" (nugget) تولیدوي – روزل شوی ماډل – چې له معلوماتو سره نښلول کېږي. Analysis (د Output له ډلې) – "د دې اجازه ورکوي چې د ماډل د دقیقو وړاندوینو د تولید وړتیا وارزول شي" د "وړاندوینه شویو ارزښتونو او ریښتینو ارزښتونو ترمنځ" په پرتله (IBM Corporation, 2016b, p. 276)، د Truong په کتاب کې "د روزنې د نمونې او د ازموینې د نمونې ترمنځ د ماډل کړنه پرتله کوي" (مخ 231): Coincidence matrices (د ګډوډۍ ماتریس)، Performance evaluation، Evaluation metric (AUC and Gini) او Separate by partition نښه کېږي (مخ 377)، او له هغې د هرې ټولګې لپاره دقت، د غلطې ډلبندۍ کچه، Gini او AUC اخیستل کېږي؛ "حساسیت، ځانګړتیا (specificity) او F1 د ګډوډۍ له ماتریس څخه محاسبه کېدای شي" (مخ 300) – پخپله، په حساب ماشین کې. او Evaluation (د Graphs له ډلې) – "د ROC منحني ګانې او د Lift منحني ګانې د ټولو ماډلونو لپاره" یو پر بل (مخ 502). کله چې ټول nuggets په یوه ځنځیر کې له همغو معلوماتو سره وصل وي، یوه Analysis غوټه ټول پرتله کوي – دا د 8 برخې د 4 ګام جدول دی.

او هغه څه چې مېنو ستاسو لپاره نه کوي. حد (cutoff): د nugget تلواله (default) 0.5 ده، او هغه څه چې 9 برخې د pROC په یوه کرښه کې وکړل دلته د Derive په غوټه کې د احتمال په هغې ساحې ترسره کېږي چې nugget یې د وړاندوینې تر څنګ زیاتوي – یا د ماډل د غوټې په تنظیماتو کې د لګښت په ماتریس کې، چې د Truong د لګښت حساسه زده کړه ده (مخ 203-204). نادره ټولګي: د SMOTE غوټه شته او Balance شته، او دواړه له Partition وروسته راځي، نه مخکې – او غوره دا ده چې پرته له هغو وي (د کړنې شاخصونه او تایید، 1 برخه). د ګډونوالو ترمنځ تړاو: Partition د ډلې له مخې وېش نه لري؛ په تکراري اندازه ګیرنو یا ښوونځیو کې پخپله وېشل کېږي (د ډلې د پېژندنې په شمېره Derive غوټه، او بیا Select)، یا 9 برخې ته تلل کېږي. او راپور: Analysis غوټه شمېرې ورکوي؛ څه راپور کېږي او څه نه – هلته، 7 برخه، په ګډون د Truong د 11 څپرکي د تنظیماتو جدول، چې د هغه جریان د مستندولو لاره ده چې کوډ نه لري.

عامې تېروتنې

د تایید تېروتنې – په نادره ټولګۍ کې ټول دقت، له وېش مخکې په ټولو معلوماتو چمتو کول، د ګډونوال پر ځای د کتار له مخې وېش، د ازموینې په ټولګه تنظیم، پرته له خپرېدو او پرته له مرجع کرښې شمېره – په د کړنې شاخصونه او تایید کې. دلته – پخپله د ماډلونو تېروتنې.

د ځانګړنو اهمیت د ضریبونو په توګه لوستل. "عاید تر ټولو مهم وړاندوینوونکی (predictor) دی" – هو؛ "عاید چانس (odds) لوړوي" – ځنګل نه دي ویلي. اهمیت لوری نه دی او علت نه دی؛ او د lasso په رګرسیون (regression) کې محدود شوی ضریب د اغېز بې تعصبه اټکل نه دی.

د یوې ونې د موندنې په توګه راپور ورکول. په همغو معلوماتو بیا روزنه کولی شي بله ونه ورکړي (6 څپرکی). ونه د ماډل انځور دی، نه د واقعیت؛ ثابت شی ځنګل دی – او هغه نه انځورېږي.

د انرشیا له مخې د k ټاکل. په کلسترونو (clusters) کې، انرشیا تل کمېږي کله چې کلسترونه زیات شي؛ k په "څنګل" (elbow)، د سیوري (silhouette) په نمره، د تشې په احصاییه (gap statistic) (بې څارنې زده کړه، 5 برخه) – او پخپله د کلسترونو په لوستلو ټاکل کېږي. او له مخکې معیاري کولو پرته کلسترونه "غځېږي" او k-means په بده توګه کار کوي (9 څپرکی).

چک لیست – د وړاندوینې د پایلې له راپور مخکې

سرچینې

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Breiman, L. (2001a). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical Science, 16(3), 199-231. https://doi.org/10.1214/ss/1009213726

Breiman, L. (2001b). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324

Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (3rd ed.). O'Reilly Media.

Gutierrez, D. D. (2015). Machine learning and data science: An introduction to statistical learning methods with R. Technics Publications.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

Hofman, J. M., Watts, D. J., Athey, S., Garip, F., Griffiths, T. L., Kleinberg, J., Margetts, H., Mullainathan, S., Salganik, M. J., Vazire, S., Vespignani, A., & Yarkoni, T. (2021). Integrating explanation and prediction in computational social science. Nature, 595(7866), 181-188. https://doi.org/10.1038/s41586-021-03659-0

IBM Corporation. (2016a). IBM SPSS Modeler 18.0 modeling nodes. IBM. https://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/18.0/en/ModelerModelingNodes.pdf

IBM Corporation. (2016b). IBM SPSS Modeler 18.0 source, process, and output nodes. IBM. https://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/18.0/en/ModelerSPOnodes.pdf

IBM Corporation. (2025). IBM SPSS Modeler 19.0 user's guide. IBM.

Ishii, K., Ueda, N., Maeda, E., & Murase, H. (2026). Pattern recognition and machine learning for self-study I: Supervised learning. Springer. https://doi.org/10.1007/978-981-95-1478-6

Kapoor, S., & Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), Article 100804. https://doi.org/10.1016/j.patter.2023.100804

Kuhn, M. (2008). Building predictive models in R using the caret package. Journal of Statistical Software, 28(5), 1-26. https://doi.org/10.18637/jss.v028.i05

Molina, M., & Garip, F. (2019). Machine learning for sociology. Annual Review of Sociology, 45, 27-45. https://doi.org/10.1146/annurev-soc-073117-041106

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206-215. https://doi.org/10.1038/s42256-019-0048-x

Salganik, M. J., Lundberg, I., Kindel, A. T., Ahearn, C. E., Al-Ghoneim, K., Almaatouq, A., Altschul, D. M., Brand, J. E., Carnegie, N. B., Compton, R. J., Datta, D., Davidson, T., Filippova, A., Gilroy, C., Goode, B. J., Jahani, E., Kashyap, R., Kirchner, A., McKay, S., . . . McLanahan, S. (2020). Measuring the predictability of life outcomes with a scientific mass collaboration. Proceedings of the National Academy of Sciences, 117(15), 8398-8403. https://doi.org/10.1073/pnas.1915006117

Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289-310. https://doi.org/10.1214/10-STS330

Truong, D. (2026). Demystifying AI: Data science and machine learning using IBM SPSS Modeler. Chapman and Hall/CRC. https://doi.org/10.1201/9781003468196

Wendler, T., & Gröttrup, S. (2021). Data mining with SPSS Modeler: Theory, exercises and solutions (2nd ed.). Springer. https://doi.org/10.1007/978-3-030-54338-9

Wolpert, D. H. (1996). The lack of a priori distinctions between learning algorithms. Neural Computation, 8(7), 1341-1390. https://doi.org/10.1162/neco.1996.8.7.1341

Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. Perspectives on Psychological Science, 12(6), 1100-1122. https://doi.org/10.1177/1745691617693393