ပထမဆုံး ML Model

စိတ်လျှော့ပါ။ ဒီခန်းကို စာအုပ်လိုမဟုတ်ဘဲ စကားပြောသလိုပဲ၊ နားလည်လွယ်အောင် ရှင်းပါမယ်။

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Linear Regression က ML algorithm ထဲမှာ ရိုးရှင်းဆုံး, နားလည်ရလွယ်ဆုံးထဲက တစ်ခုပါ — feature (x) နဲ့ target (y) ကြားက linear relationship (straight line) ကို ရှာဖွေခြင်းပါ။ scikit-learn ရဲ့ API pattern က algorithm အားလုံး consistent ပါ — `.fit(X_train, y_train)` (model ကို train), `.predict(X_test)` (prediction ချ) — ဒီ pattern ကို tutorial တစ်လျှောက်လုံးမှာ algorithm ကွဲပြားတိုင်း ထပ်ခါထပ်ခါ တွေ့ရမှာပါ.

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

House size (X) ကနေ house price (y) ကို predict ချင်ရင် — `from sklearn.linear_model import LinearRegression; model = LinearRegression(); model.fit(X_train, y_train)` လို့ ရေးရင် model ကို train ပြီးပါပြီ, `predictions = model.predict(X_test)` လို့ ရေးရင် test data ရဲ့ price ကို predict ချပေးပါတယ် — `model.score(X_test, y_test)` ကို run ရင် model ရဲ့ accuracy (R² score) ကို ချက်ချင်း ကြည့်နိုင်ပါတယ်.

Linear Regression = feature/target ကြားက linear relationship ကို ရှာဖွေသော algorithm
scikit-learn API pattern: .fit() (train), .predict() (prediction ချ)
.score() = model ရဲ့ accuracy (R² score for regression) ကို quick check

အတူတူ ကြည့်မယ်

python

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

predictions = model.predict(X_test)
print(predictions[:5])

accuracy = model.score(X_test, y_test)
print(f"R^2 score: {accuracy:.2f}")

You should see

[245000. 312000. 198000. 410000. 275000.]
R^2 score: 0.87

၅ မိနစ် စမ်းကြည့်

Sample dataset (house size vs price) ကို ကိုယ်တိုင် create ပြီး, Linear Regression model ကို train/predict/score run ကြည့်ပါ — R² score ရလာပြီး confirm လုပ်ကြည့်ပါ။

သတိလေးတစ်ချက်

Linear Regression ရဲ့ R² score တစ်ခုတည်းကို 'model ကောင်း/မကောင်း' ဆိုတဲ့ final judgment အနေနဲ့ မသုံးပါနှင့် — Intermediate chapter ရဲ့ evaluation metric များစွာကို ပေါင်းစပ် ကြည့်ရှုသင့်ပါတယ်.