🧠 Train Data vs Test Data —¶

🔵 Train Data (Training Data)¶

परिभाषा:

Model लाई pattern र rules सिकाउन प्रयोग गरिने dataset हो। यो data बाट model ले आफ्नो weight adjust गर्छ।

विशेषताहरू:

• Model यही data हेरेर parameters (weights) update गर्छ
• एकै data धेरैपटक (epochs) हेरिन्छ
• Total dataset को 70–80% भाग train को लागि राखिन्छ
• जति quality भएको data, उति राम्रो model बन्छ

📖 उदाहरण: विद्यार्थीले परीक्षाको तयारीका लागि पढ्ने किताब जस्तै

🟠 Test Data (Testing Data)¶

परिभाषा:

Training सकिसकेपछि model को real-world performance मापन गर्न प्रयोग गरिने नयाँ र unseen dataset हो।

विशेषताहरू:

• Model ले यो data training मा कहिल्यै देखेको हुँदैन
• यसमा weight update हुँदैन — evaluation मात्र हुन्छ
• Total dataset को 20–30% भाग test को लागि राखिन्छ
• Model कति राम्ररी generalize गर्न सक्छ भनेर जाँच्छ

📝 उदाहरण: किताब पढिसकेपछि दिइने परीक्षाको प्रश्नपत्र जस्तै

📊 Dataset विभाजन¶

पूरा Dataset (100%)
│
├── 🔵 Train Data      ──────────────────── 70–80%
│        └── Model यहाँबाट सिक्छ
│
├── 🟢 Validation Data ──────────────────── 10–15%  (optional)
│        └── Training को बीचमा tune गर्न
│
└── 🟠 Test Data       ──────────────────── 10–20%
         └── Final evaluation को लागि

⚙️ Training Process — कसरी काम गर्छ¶

Input Data → Model → Prediction → Error Calculate → Weight Update
     ↑                                                      │
     └──────────────── बारम्बार दोहोर्याउँछ ───────────────┘

यो process लाई Backpropagation भनिन्छ।
Model गल्ती गरेपछि weight सच्याउँदै जान्छ जबसम्म performance राम्रो नहुन्छ।

⚖️ Train vs Test — तुलना तालिका¶

⚠️ महत्वपूर्ण अवधारणाहरू — सावधान!¶

📈 Overfitting¶

Train data मा धेरै राम्रो गर्छ तर Test data मा खराब गर्छ।
Model ले pattern सिकेन — data रट्यो मात्र।

📉 Underfitting¶

Train data मा नै राम्रो नगर्नु — model धेरै simple छ भन्ने संकेत।

🚨 Data Leakage¶

Test data को जानकारी Training मा परेमा model को evaluation गलत हुन्छ।
यो एक गम्भीर गल्ती हो — सधैँ avoid गर्नुपर्छ।

🎯 सार (Summary)¶

💡 याद राख्नुस्: राम्रो ML model को लागि — धेरै र quality भएको Train Data + unseen Test Data दुवै जरुरी छ।

sklearn library को model_selection भन्ने module बाट train_test_split function लाई import (ल्याउनु) गर्नु पर्छ।

🎲 random_state र Backpropagation¶

🔷 random_state किन राख्ने?¶

समस्या — random_state नराखेको खण्डमा¶

# हरपटक run गर्दा फरक-फरक data split हुन्छ
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2)

# Run 1: [row 5, row 2, row 8 ...] → Train मा जान्छ
# Run 2: [row 1, row 9, row 3 ...] → Train मा जान्छ  ← फरक!
# Run 3: [row 7, row 4, row 6 ...] → Train मा जान्छ  ← फेरि फरक!

⚠️ हरपटक फरक accuracy आउँछ — model reliable छैन भन्न मिल्दैन!

समाधान — random_state राखेको खण्डमा¶

# हरपटक उही split हुन्छ
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# Run 1: [row 5, row 2, row 8 ...] → Train मा जान्छ
# Run 2: [row 5, row 2, row 8 ...] → उही!  ✅
# Run 3: [row 5, row 2, row 8 ...] → उही!  ✅

✅ हरपटक उही accuracy आउँछ — result reproducible हुन्छ!

random_state को number कति राख्ने?¶

💡 नियम: जुनसुकै positive integer राख्न मिल्छ।
42 सबैभन्दा popular छ किनभने यो "The Hitchhiker's Guide to the Galaxy" बाट आएको culture हो।
मुख्य कुरा — project भरि एउटै number सधैँ राख्नु!

random_state को 3 वटा मुख्य फाइदा¶

1. Reproducibility  →  उही code = उही result (कुनै पनि computer मा)
2. Debugging        →  गल्ती खोज्न सजिलो (data same भएकाले)
3. Fair Comparison  →  दुई model को result compare गर्न सकिन्छ

🔁 Backpropagation र Randomness¶

Backpropagation भनेको के हो?¶

Forward Pass:
  Input → Hidden Layers → Output → Prediction

Error Calculate:
  Prediction vs Actual Answer → Loss/Error निकाल्छ

Backward Pass (Backpropagation):
  Error लाई पछाडि फर्काउँछ → हरेक weight कति गल्ती भयो हिसाब गर्छ → Weight Update

Backpropagation ले model लाई गल्तीबाट सिक्न मद्दत गर्छ।

Backpropagation मा कहाँ-कहाँ Randomness आउँछ?¶

Backpropagation मा random_state एउटा मात्र होइन — धेरै ठाउँमा randomness हुन्छ:

1️⃣ Weight Initialization (सुरुको weights)¶

# Model सुरु हुँदा weights randomly set हुन्छन्
# random_state नराखेको खण्डमा — हरपटक फरक weights
model = MLPClassifier(hidden_layer_sizes=(100,))  # ❌ random weights

# random_state राखेको खण्डमा — उही weights बाट सुरु
model = MLPClassifier(hidden_layer_sizes=(100,), random_state=42)  # ✅

सुरुको weights फरक भए → training को बाटो फरक → final result फरक

2️⃣ Data Split को Randomness (train_test_split)¶

# यहाँ पनि random_state राख्नुपर्छ
X_train, X_test, y_train, y_test = train_test_split(
    X, Y, 
    test_size=0.2, 
    random_state=42  # ← यो
)

3️⃣ Mini-Batch को Randomness (SGD)¶

# Stochastic Gradient Descent मा data randomly shuffle हुन्छ
# प्रत्येक epoch मा फरक order मा data आउँछ
model = SGDClassifier(random_state=42)  # ← यहाँ पनि राख्नुपर्छ

4️⃣ Dropout को Randomness (Neural Network मा)¶

# Training मा randomly केही neurons बन्द हुन्छन्
# random_state नराखेको खण्डमा हरपटक फरक neurons बन्द हुन्छन्
model = MLPClassifier(random_state=42)  # ← control हुन्छ

के Backpropagation को लागि random_state change गर्दै जानुपर्छ?¶

❌ गलत सोच:  random_state = 1, 2, 3 ... बदल्दै जानुपर्छ
✅ सही सोच:   एउटै random_state सधैँ राख्नुपर्छ

किन?

# ❌ गलत तरिका — random_state बदल्दै जाने
for i in range(10):
    model = MLPClassifier(random_state=i)  # हरपटक फरक
    model.fit(X_train, y_train)
    # यसले model compare गर्न गाह्रो बनाउँछ

# ✅ सही तरिका — एउटै राख्ने
model = MLPClassifier(random_state=42)   # fix गर्ने
model.fit(X_train, y_train)              # Backpropagation आफैँ handle गर्छ

Backpropagation ले आफ्नै algorithm अनुसार weights update गर्छ —
random_state बदल्नु पर्दैन, बरु fix गर्नु पर्छ!

Backpropagation आफैँ के-के adjust गर्छ?¶

random_state fix गरेपछि Backpropagation ले automatically:

├── Learning Rate  →  कति ठूलो step लिने हिसाब गर्छ
├── Gradient       →  कुन direction मा जाने निर्धारण गर्छ  
├── Weights        →  हरेक epoch मा update गर्छ
└── Bias           →  model लाई flexible बनाउन adjust गर्छ

📋 सम्पूर्ण Randomness Summary¶

💡 Golden Rule: जहाँ-जहाँ random_state parameter छ — उही number राख्नुस्!

🎯 Final सार¶

random_state राख्नुको कारण:
  → Result reproducible हुन्छ
  → Debugging सजिलो हुन्छ
  → Fair comparison हुन्छ

random_state को number:
  → जुनसुकै integer चल्छ
  → 42 सबैभन्दा popular
  → Project भरि एउटै राख्नुस्

Backpropagation को लागि:
  → random_state बदल्नु पर्दैन
  → एकपटक fix गरेपछि Backpropagation आफैँ सिक्छ
  → Weight, Gradient, Learning Rate सबै automatic