آزمایشگاه آزاد؛ بدون نیاز به ورود
برونیابی با خط راست؛ پیشبینی بیرون بازه چقدر قابلاعتماده؟
یک خط ممکنه به چند نقطهی اول نزدیک باشه و با ادامهی روند خمیده فاصله بگیره. بازهی برازش رو تغییر بده و ببین خطای پیشبینی در x برابر ۱۰ چهطور عوض میشه.
آزمایش رو شروع کنبرازش رو تا ۲ بذار و خط و عدد خطا رو نگاه کن. پیش از بردنش تا ۸، حدس بزن شیب و فاصلهی پیشبینی از نقطهی آخر چه تغییری میکنن.
آزمایشگاه در حال آماده شدنه…
حالا خودت امتحان کن
هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.
برازش رو از ۲ نقطه به ۴ نقطه برسون
نقطهی پایان رو اول روی ۲ بذار و خطا رو بخون؛ بعد تا ۴ جلو ببر و خروجی x=۱۰ رو مقایسه کن.
حدست چیه؟ با وارد شدن نقطههای بیشتر به برازش، خطا در x=۱۰ بیشتر میشه یا کمتر؟
توضیح نتیجه رو ببین
در نمونهی ثابت این ابزار، خطا از حدود ۱۰٫۴ به ۸٫۴۵ کم میشه و شیب خط از حدود ۰٫۷ به ۰٫۹۳ میرسه. کم شدن این خطا برای همین نمونهست و قانون همیشگی نیست.
خط رو با ۸ نقطهی آغازین بسنج
نقطهی پایان رو از ۴ به ۸ ببر. بخش سایهخورده، بازهی برازش رو نشون میده؛ فاصلهی خط از نقطهی نمونه در x=۱۰ رو بررسی کن.
حدست چیه؟ آیا با ۸ نقطه خطای x=۱۰ صفر میشه؟
توضیح نتیجه رو ببین
خطا به حدود ۴٫۰۶ میرسه، اما صفر نمیشه؛ روند نمونه خمیده است و یک خط راست نمیتونه همهی نقطهها رو دقیق دنبال کنه.
داخل بازه رو با ادامهی خط مقایسه کن
نقطهی پایان رو روی ۴ بذار. خط در بخش سایهخورده برازش شده؛ بعد فاصلهی خط و نقطههای نمونهی بعد از ۴ رو دنبال کن.
حدست چیه؟ خط راست در ادامهی بازه هم به همهی نقطهها میرسه، یا فاصله بیشتر میشه؟
توضیح نتیجه رو ببین
تا x برابر ۴، فقط چهار نقطهی اول وارد برازش میشن. در x برابر ۱۰، خط با نقطهی نمونه حدود ۸٫۴۵ فاصله داره؛ نقطهی مرجع در شکل دیده میشه، ولی برای ساختن خط استفاده نشده.
پشت این حرکت چه خبره؟
خط برازش از چهطور ساخته میشه؟
y = m*x + b
ابزار چند نقطهی اول رو تا جای انتخابشده میگیره و نزدیکترین خط راست به اونها رو پیدا میکنه. شیب خط میگه با یک واحد جلو رفتن x، y خط چهقدر عوض میشه؛ عرض از مبدأ هم جاییه که خط به محور y میرسه.
برونیابی یعنی ادامه دادن مدل بیرون بازهی برازش
error = abs((m*10 + b) - sampleY(10))
اینجا خط با دادههای تا x برابر ۲ تا ۸ ساخته میشه و تا x برابر ۱۰ ادامه پیدا میکنه. عدد خطا فاصلهی عمودی پیشبینی خط تا نقطهی نمونه در ۱۰ه؛ اون نقطه در دادهی مرجع هست، ولی برای برازش وارد نمیشه.
چرا یک خط نمیتونه روند خمیده رو دقیق بگیره؟
y_(i+1) - y_i != constant
وقتی فاصلهی نقطههای پیاپی با x به شکل یکسان عوض نمیشه، یک خط راست با شیب ثابت همهی نقطهها رو پوشش نمیده. خط ممکنه به بخش برازش نزدیک باشه، اما بعد از اون از روند نمونه فاصله بگیره.
خطای کمتر یعنی پیشبینی همیشه مطمئنتره؟
نه؛ در این نمونه، افزودن نقطههای آغازین خطا در x=۱۰ رو کمتر میکنه، اما این فقط ویژگی همین دادههاست. با دادههای دیگه، مدل مناسب و میزان خطا ممکنه فرق کنه.
سؤالت رو بپرس، جوابش رو هم ببین
وقتی توی چت دربارهٔ یک مفهوم درس میخونی، دستیار هوش مصنوعی میتونه شبیهسازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر میدی و با کمک توضیح بعدی، نتیجه رو بهتر میفهمی.
شروع یادگیری با چتبرای ادامه در چت، وارد مسیر شروع و ورود میشی. نتیجهٔ این آزمایش به چت منتقل نمیشه.
نمونهٔ نمایشی از آموزش در چت
اگر خط به چهار نقطهی اول نزدیک باشه، چرا پیشبینی x برابر ۱۰ ممکنه اشتباه دربیاد؟
چون نزدیک بودن خط به چند نقطهی آغازین تضمین نمیکنه روند بعدی هم خطی بمونه. در این نمونه، خطی که تا x برابر ۴ برازش شده در x برابر ۱۰ حدود ۸٫۴۵ از نقطهی مرجع فاصله داره. عدد ۱۰ برای برازش استفاده نشده، ولی مقدار نمونهاش در شکل هست.
سؤالهای رایج
برونیابی یعنی چی؟
یعنی مدل رو بیرون بازهای ادامه بدی که برای برازش استفاده شده. اینجا خط با نقطههای آغازین ساخته میشه و بعد تا x برابر ۱۰ میره؛ اون نقطه در نمونه هست، اما جزو برازش نیست.
چرا با نقطههای بیشتر، خطا کمتر شد؟
در همین نمونه، بردن انتهای برازش از ۲ به ۸ خطا رو از حدود ۱۰٫۴ به ۴٫۰۶ کم میکنه. این نتیجه برای همین نقطههاست؛ دادههای دیگه ممکنه رفتار متفاوتی داشته باشن.
این نقطهها اندازهگیری واقعیان؟
نه؛ ده مقدار این شکل برای آموزش ساخته شدهان. ازشون نتیجه نگیر که هر دادهی واقعی حتماً منحنی یا همین روند رو داره.
چرا نقطهی x برابر ۱۰ روی شکل هست؟
برای اینکه پیشبینی خط با یک مقدار مرجع مقایسه بشه. برازش حداکثر تا ۸ پیش میره، پس نقطهی ۱۰ در ساختن خط وارد نمیشه.
اگر معادله علامت «بهعلاوه منفی» داشت چی؟
اگر عرض از مبدأ منفی باشه، شکل ممکنه علامت جمع و منفی رو کنار هم نشون بده. وقتی مقدار b منفی ۰٫۰۲۵ه، معادله در واقع y=mx منهای ۰٫۰۲۵ میشه.