လေ့လာတဲ့ဒေတာနဲ့ စမ်းသပ်တဲ့ဒေတာ | Train and Test in ML

မြန်မာ — လေ့ကျင့်ပြီးမှ သီးခြားစမ်းမယ် စာမေးပွဲကို ဥပမာယူကြည့်ပါ။ လေ့ကျင့်မေးခွန်း အဖြေကို မှတ်မိတာနဲ့ မတွေ့ဖူးတဲ့ မေးခွန်းကို ဖြေနိုင်တာက မတူပါဘူး။ ဒီဥပမာက machine learning ရဲ့ training နဲ့ testing ရည်ရွယ်ချက်ကို စတင်နားလည်ဖို့ ကူညီနိုင်ပါတယ်။ Training data နဲ့ model ကို လေ့လာစေပြီး သီးခြားထားတဲ့ test data နဲ့ အကဲဖြတ်ပါတယ်။ Test information က training ထဲ ဝင်သွားရင် data leakage ဖြစ်နိုင်ပြီး ခန့်မှန်းရလဒ်ကို အမှန်ထက်ကောင်းသလို ထင်စေနိုင်ပါတယ်။ Preprocessing လေ့လာရာမှာလည်း training data ကိုပဲ သုံးရပါတယ်။ ကတ်လေ့ကျင့်ခန်း — ကိုယ်ဖန်တီးထားတဲ့ ပစ္စည်းပုံစံကတ် ရှစ်ကတ်ရေးပါ။ တစ်ကတ်စီမှာ အရောင်နဲ့ ပုံသဏ္ဌာန် ထည့်ပါ။ ကတ်နှစ်ကတ်ကို မကြည့်ဘဲ ခဏဖယ်ထားပြီး ကျန်ကတ်တွေနဲ့ ကိုယ်တိုင် rule တစ်ခုရေးပါ။ ပြီးမှ ဖယ်ထားတဲ့ကတ်တွေကို ကြည့်ပြီး rule က ဘယ်နေရာမှာ မကိုက်သလဲ မှတ်ပါ။ ဒါဟာ သဘောတရား လေ့ကျင့်ခန်းသာဖြစ်ပြီး စစ်မှန်တဲ့ model performance အထောက်အထား မဟုတ်ပါဘူး။ ပြန်လေ့လာရန် — Test အဖြေကိုကြည့်ပြီး rule ကို ထပ်ခါထပ်ခါပြင်နေရင် အဲဒီကတ်တွေကို မတွေ့ဖူးတဲ့ စမ်းသပ်ကတ်လို့ ဆက်ယူဆလို့ မရတော့ပါဘူး။ မအောင်မြင်တဲ့ နမူနာကိုပါ မှတ်တမ်းတင်တတ်ဖို့ လေ့ကျင့်ပါ။ English — Learn first, evaluate separately Remembering practice answers is different from handling unseen questions. That analogy introduces the purpose of training and testing in machine learning. A model learns from training data and is evaluated on held-out test data. Test information leaking into training can produce overly optimistic results. Learned preprocessing must also use training data rather than the test set. Card exercise: invent eight cards describing objects by colour and shape. Set two aside without inspecting them. Use the others to write a rule, then inspect the held-out cards and record where the rule fails. This is a conceptual activity, not evidence of real model performance. Reflection: if you repeatedly inspect those test answers and revise your rule, they no longer act as untouched examples. Record the failures as carefully as the successes. The useful habit is separating learning from evaluation, rather than chasing a flattering score. Primary reference / မူရင်းရင်းမြစ် scikit-learn — Common pitfalls and recommended practices, data leakage: https://scikit-learn.org/stable/common_pitfalls.html Cover: original AI-generated educational illustration for 21CT; no accuracy or performance claim.