Scikit-learn Pipeline: ML Ish Jarayonini Avtomatlashtirish bo'yicha Qo'llanma

Mashina o'rganish olamida modelni yaratish ko'pincha jozibali yakuniy qadam sifatida tasvirlanadi. Biroq, tajribali ma'lumotlar olimlari va ML muhandislari shuni bilishadiki, mustahkam modelga olib boradigan yo'l bir qator muhim, ko'pincha takrorlanuvchi va xatolarga moyil qadamlardan iborat: ma'lumotlarni tozalash, funksiya masshtablash, kategorik o'zgaruvchilarni kodlash va boshqalar. O'qitish, validatsiya va test to'plamlari uchun ushbu qadamlarni individual ravishda boshqarish tezda logistika dahshatiga aylanishi mumkin, bu esa nozik xatolarga va eng xavflisi, ma'lumotlarning sizib chiqishiga olib keladi.

Bu erda Scikit-learn'ning Pipeline yordamga keladi. Bu shunchaki qulaylik emas; bu professional, takrorlanuvchan va ishlab chiqarishga tayyor mashina o'rganish tizimlarini qurish uchun asosiy vositadir. Ushbu keng qamrovli qo'llanma sizni Scikit-learn Pipelinelarini o'zlashtirish uchun bilishingiz kerak bo'lgan hamma narsa bilan tanishtiradi, asosiy tushunchalardan tortib ilg'or texnikalargacha.

Muammo: Qo'lda Mashina O'rganish Ish Jarayoni

Keling, odatiy nazorat ostida o'qitish vazifasini ko'rib chiqaylik. Siz hatto model.fit() ga qo'ng'iroq qila olmasdan oldin, ma'lumotlaringizni tayyorlashingiz kerak. Standart ish jarayoni quyidagicha ko'rinishi mumkin:

1. Ma'lumotlarni ajratish: Ma'lumotlar to'plamini o'qitish va test to'plamlariga ajrating. Bu sizning modelingizning ko'rinmagan ma'lumotlardagi ishlashini baholay olishingizni ta'minlash uchun birinchi va eng muhim qadamdir.
2. Yo'qolgan qiymatlarni boshqarish: O'qitish to'plamingizdagi yo'qolgan ma'lumotlarni aniqlang va kiriting (masalan, o'rtacha, mediana yoki doimiy qiymatdan foydalanib).
3. Kategorik xususiyatlarni kodlash: "Mamlakat" yoki "Mahsulot Kategoriyasi" kabi sonli bo'lmagan ustunlarni Bir martalik kodlash yoki Ordinal kodlash kabi usullar yordamida sonli formatga aylantiring.
4. Sonli xususiyatlarni masshtablash: Barcha sonli xususiyatlarni Standartlashtirish (StandardScaler) yoki Normallashtirish (MinMaxScaler) kabi usullar yordamida bir xil masshtabga keltiring. Bu SVM, Logistik Regressiya va Neyron Tarmoqlari kabi ko'plab algoritmlar uchun juda muhimdir.
5. Modelni o'qitish: Nihoyat, tanlagan mashina o'rganish modelini oldindan ishlangan o'qitish ma'lumotlariga moslang.

Endi, test to'plamingizda (yoki yangi, ko'rinmagan ma'lumotlarda) prognoz qilishni xohlaganingizda, xuddi shu oldindan ishlash qadamlarini takrorlashingiz kerak. Siz xuddi shu kiritish strategiyasini (o'qitish to'plamidan hisoblangan qiymatdan foydalanib), xuddi shu kodlash sxemasini va xuddi shu masshtablash parametrlarini qo'llashingiz kerak. Barcha moslashtirilgan transformatorlarni qo'lda kuzatib borish zerikarli va xatolarning asosiy manbai hisoblanadi.

Bu erda eng katta xavf ma'lumotlarning sizib chiqishi hisoblanadi. Bu test to'plamidan ma'lumotlar tasodifan o'qitish jarayoniga sizib chiqqanda sodir bo'ladi. Misol uchun, agar siz butun ma'lumotlar to'plamidan ajratishdan oldin kiritish uchun o'rtacha qiymatni yoki masshtablash parametrlarini hisoblasangiz, modelingiz test ma'lumotlaridan yashirincha o'rganadi. Bu haddan tashqari optimistik ishlash bahosiga va real dunyoda ayanchli muvaffaqiyatsizlikka uchragan modelga olib keladi.

Scikit-learn Pipelinelar bilan Tanishing: Avtomatlashtirilgan Yechim

Scikit-learn Pipeline - bu bir nechta ma'lumotlarni o'zgartirish qadamlarini va yakuniy baholashni (klassifikator yoki regressiya kabi) bitta, birlashtirilgan ob'ektga bog'laydigan ob'ekt. Buni ma'lumotlaringiz uchun yig'ish liniyasi deb o'ylashingiz mumkin.

Pipeline-da .fit() ga qo'ng'iroq qilganingizda, u o'qitish ma'lumotlaridagi har bir oraliq qadamga fit_transform() ni ketma-ket qo'llaydi va bir qadamning chiqishini keyingisiga kiritish sifatida o'tkazadi. Nihoyat, u so'nggi qadamda, baholovchida .fit() ga qo'ng'iroq qiladi. Pipeline-da .predict() yoki .transform() ga qo'ng'iroq qilganingizda, u yakuniy baholovchi bilan prognoz qilishdan oldin har bir oraliq qadamning .transform() usulini yangi ma'lumotlarga qo'llaydi.

Pipelinelardan Foydalanishning Asosiy Afzalliklari

• Ma'lumotlarning Sizib Chiqishining Oldini Olish: Bu eng muhim afzallik. Barcha oldindan ishlashni pipeline ichida qamrab olib, siz transformatsiyalar faqat o'qitish ma'lumotlaridan o'rganilishini ta'minlaysiz.
• Oddiylik va Tashkilot: Butun ish jarayoningiz, xom ma'lumotlardan tortib o'qitilgan modelgacha, bitta ob'ektga birlashtirilgan. Bu kodingizni tozalaydi, o'qishga osonlashtiradi va boshqarishni osonlashtiradi.
• Takrorlanuvchanlik: Pipeline ob'ekti butun modellashtirish jarayonini qamrab oladi. Siz ushbu bitta ob'ektni osongina saqlashingiz mumkin (masalan, `joblib` yoki `pickle` yordamida) va keyin prognoz qilish uchun yuklashingiz mumkin, har safar xuddi shu qadamlar bajarilishini ta'minlaysiz.
• Grid Qidiruvdagi Samaradorlik: Butun pipeline bo'ylab giperparametrni bir vaqtning o'zida sozlashingiz mumkin, oldindan ishlash qadamlari va yakuniy model uchun bir vaqtning o'zida eng yaxshi parametrlarni topishingiz mumkin. Ushbu kuchli xususiyatni keyinroq ko'rib chiqamiz.

Birinchi Oddiy Pipeline-ni Qurish

Keling, asosiy misoldan boshlaylik. Tasavvur qiling-a, bizda sonli ma'lumotlar to'plami bor va biz Logistik Regressiya modelini o'qitishdan oldin ma'lumotlarni masshtablashni xohlaymiz. Bu uchun qanday qilib pipeline qurasiz.

Birinchidan, atrof-muhitimizni sozlaymiz va ba'zi namunaviy ma'lumotlarni yaratamiz.

            
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score

# Ba'zi namunaviy ma'lumotlarni yarating
X, y = np.random.rand(100, 5) * 10, (np.random.rand(100) > 0.5).astype(int)

# Ma'lumotlarni o'qitish va test to'plamlariga ajrating
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

            

              
                Copy
              
            
          

Endi, keling, pipeline-ni aniqlaylik. Pipeline qadamlar ro'yxatini taqdim etish orqali yaratiladi. Har bir qadam nomni (siz tanlagan satr) va transformator yoki baholovchi ob'ektining o'zini o'z ichiga olgan tupledir.

            
# Pipeline qadamlarini yarating
steps = [
    ('scaler', StandardScaler()),
    ('classifier', LogisticRegression())
]

# Pipeline ob'ektini yarating
pipe = Pipeline(steps)

# Endi siz 'pipe' ob'ektiga oddiy model kabi munosabatda bo'lishingiz mumkin.
# Keling, uni o'qitish ma'lumotlarimizda o'qitaylik.
pipe.fit(X_train, y_train)

# Test ma'lumotlarida prognoz qiling
y_pred = pipe.predict(X_test)

# Modelni baholang
accuracy = accuracy_score(y_test, y_pred)
print(f"Pipeline Aniqligi: {accuracy:.4f}")

            

              
                Copy
              
            
          

Tamom! Bir necha qatorda biz masshtablash va tasniflashni birlashtirdik. Scikit-learn barcha oraliq mantiqni boshqaradi. pipe.fit(X_train, y_train) chaqirilganda, u avval StandardScaler().fit_transform(X_train) ga qo'ng'iroq qiladi va keyin natijani LogisticRegression().fit() ga o'tkazadi. pipe.predict(X_test) chaqirilganda, u logistik regressiya modeli bilan prognoz qilishdan oldin StandardScaler().transform(X_test) yordamida allaqachon moslashtirilgan masshtabni qo'llaydi.

Geterogen Ma'lumotlarni Boshqarish: `ColumnTransformer`

Haqiqiy dunyo ma'lumotlar to'plamlari kamdan-kam sodda bo'ladi. Ular ko'pincha ma'lumotlar turlarining aralashmasini o'z ichiga oladi: masshtablashni talab qiladigan sonli ustunlar, kodlashni talab qiladigan kategorik ustunlar va, ehtimol, vektorlashtirishni talab qiladigan matn ustunlari. Oddiy ketma-ket pipeline bunga etarli emas, chunki siz turli ustunlarga turli xil transformatsiyalarni qo'llashingiz kerak.

Bu erda ColumnTransformer porlaydi. Bu sizga ma'lumotlaringizdagi ustunlarning turli xil kichik to'plamlariga turli xil transformatorlarni qo'llashga va keyin natijalarni aqlli ravishda birlashtirishga imkon beradi. Bu kattaroq pipeline ichida oldindan ishlash qadami sifatida ishlatish uchun eng yaxshi vosita.

Misol: Sonli va Kategorik Xususiyatlarni Birlashtirish

Keling, pandas yordamida sonli va kategorik xususiyatlarga ega bo'lgan yanada real ma'lumotlar to'plamini yarataylik.

            
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import SimpleImputer

# Namunaviy DataFrame yarating
data = {
    'age': [25, 30, 45, 35, 50, np.nan, 22],
    'salary': [50000, 60000, 120000, 80000, 150000, 75000, 45000],
    'country': ['USA', 'Canada', 'USA', 'UK', 'Canada', 'USA', 'UK'],
    'purchased': [0, 1, 1, 0, 1, 1, 0]
}
df = pd.DataFrame(data)

X = df.drop('purchased', axis=1)
y = df['purchased']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Sonli va kategorik ustunlarni aniqlang
numerical_features = ['age', 'salary']
categorical_features = ['country']

            

              
                Copy
              
            
          

Bizning oldindan ishlash strategiyamiz quyidagicha bo'ladi:

1. Sonli ustunlar uchun (age, salary): Yo'qolgan qiymatlarni mediana bilan kiriting, so'ngra ularni masshtablang.
2. Kategorik ustunlar uchun (country): Yo'qolgan qiymatlarni eng ko'p uchraydigan kategoriya bilan kiriting, so'ngra bir martalik kodlang.

Biz ushbu qadamlarni ikkita alohida mini-pipeline yordamida aniqlashimiz mumkin.

            
# Sonli xususiyatlar uchun pipeline yarating
numeric_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='median')),
    ('scaler', StandardScaler())
])

# Kategorik xususiyatlar uchun pipeline yarating
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

            

              
                Copy
              
            
          

Endi biz ushbu pipelinelarni to'g'ri ustunlarga qo'llash uchun `ColumnTransformer` dan foydalanamiz.

            
# ColumnTransformer bilan oldindan ishlovchini yarating
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numerical_features),
        ('cat', categorical_transformer, categorical_features)
    ])

            

              
                Copy
              
            
          

`ColumnTransformer` `transformatorlar` ro'yxatini oladi. Har bir transformator nomni, transformator ob'ektini (bu pipeline bo'lishi mumkin) va unga qo'llaniladigan ustun nomlari ro'yxatini o'z ichiga olgan tupledir.

Nihoyat, biz ushbu `preprocessor` ni asosiy pipeline-dagi birinchi qadam sifatida joylashtirishimiz mumkin, undan so'ng yakuniy baholovchi.

            
from sklearn.ensemble import RandomForestClassifier

# To'liq pipeline-ni yarating
full_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', RandomForestClassifier(random_state=42))
])

# To'liq pipeline-ni o'qiting va baholang
full_pipeline.fit(X_train, y_train)

print("Modelning test ma'lumotlaridagi balli:", full_pipeline.score(X_test, y_test))

# Endi siz yangi xom ma'lumotlar bo'yicha prognoz qilishingiz mumkin
new_data = pd.DataFrame({
    'age': [40, 28],
    'salary': [90000, 55000],
    'country': ['USA', 'Germany'] # 'Germany' noma'lum kategoriya
})

predictions = full_pipeline.predict(new_data)
print("Yangi ma'lumotlar uchun prognozlar:", predictions)

            

              
                Copy
              
            
          

Bu murakkab ish jarayonini qanchalik oqlangan tarzda hal qilishiga e'tibor bering. `OneHotEncoder` dagi `handle_unknown='ignore'` parametri, ayniqsa, ishlab chiqarish tizimlari uchun foydalidir, chunki u ma'lumotlarda yangi, ko'rinmagan kategoriyalar paydo bo'lganda xatolarning oldini oladi.

Ilg'or Pipeline Texnikalari

Pipelinelar yanada ko'proq kuch va moslashuvchanlikni taklif qiladi. Keling, professional mashina o'rganish loyihalari uchun zarur bo'lgan ba'zi ilg'or xususiyatlarni ko'rib chiqaylik.

Maxsus Transformatorlarni Yaratish

Ba'zan, o'rnatilgan Scikit-learn transformatorlari etarli emas. Xususiyatning logarifmini olish yoki ikkita xususiyatni yangisiga birlashtirish kabi domenga xos transformatsiyani bajarishingiz kerak bo'lishi mumkin. Siz pipeline-ga muammosiz integratsiyalashadigan o'z maxsus transformatorlaringizni osongina yaratishingiz mumkin.

Buning uchun siz `BaseEstimator` va `TransformerMixin` dan meros bo'lgan sinf yaratasiz. Siz faqat `fit()` va `transform()` usullarini (va agar kerak bo'lsa, `__init__()` ) amalga oshirishingiz kerak.

Keling, yangi xususiyat qo'shadigan transformator yarataylik: `salary` ning `age` ga nisbati.

            
from sklearn.base import BaseEstimator, TransformerMixin

# Ustun indekslarini aniqlang (nomlarni ham o'tkazishingiz mumkin)
age_ix, salary_ix = 0, 1

class FeatureRatioAdder(BaseEstimator, TransformerMixin):
    def __init__(self):
        pass # O'rnatiladigan parametrlar yo'q
    def fit(self, X, y=None):
        return self # Moslashuv jarayonida hech narsa o'rganilmaydi, shuning uchun o'zingizni qaytaring
    def transform(self, X):
        salary_age_ratio = X[:, salary_ix] / X[:, age_ix]
        return np.c_[X, salary_age_ratio] # Asl X ni yangi xususiyat bilan birlashtiring

            

              
                Copy
              
            
          

Keyin ushbu maxsus transformatorni sonli qayta ishlash pipeline-ga kiritishingiz mumkin:

            
numeric_transformer_with_custom = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='median')),
    ('ratio_adder', FeatureRatioAdder()), # Bizning maxsus transformatorimiz
    ('scaler', StandardScaler())
])

            

              
                Copy
              
            
          

Ushbu moslashtirish darajasi sizga barcha xususiyatlar muhandisligi mantiqini pipeline ichida qamrab olishga imkon beradi, bu sizning ish jarayoningizni juda ko'chma va takrorlanuvchan qiladi.

`GridSearchCV` yordamida Pipelinelar bilan Giperparametrni Sozlash

Bu, ehtimol, Pipelinelarning eng kuchli ilovalaridan biridir. Siz oldindan ishlash qadamlari va yakuniy modelni ham qo'shib, butun ish jarayoningiz uchun eng yaxshi giperparametrlarni bir vaqtning o'zida qidirishingiz mumkin.

Qaysi parametrlarni sozlashni belgilash uchun siz maxsus sintaksisdan foydalanasiz: `step_name__parameter_name`.

Keling, oldingi misolimizni kengaytiramiz va oldindan ishlovchimizdagi imputer va `RandomForestClassifier` uchun giperparametrlarni sozlashingiz.

            
from sklearn.model_selection import GridSearchCV

# Biz ColumnTransformer misolidagi 'full_pipeline' dan foydalanamiz

# Parametrlar gridini aniqlang
param_grid = {
    'preprocessor__num__imputer__strategy': ['mean', 'median'],
    'classifier__n_estimators': [50, 100, 200],
    'classifier__max_depth': [None, 10, 20],
    'classifier__min_samples_leaf': [1, 2, 4]
}

# GridSearchCV ob'ektini yarating
grid_search = GridSearchCV(full_pipeline, param_grid, cv=5, verbose=1, n_jobs=-1)

# Uni ma'lumotlarga moslang
grid_search.fit(X_train, y_train)

# Eng yaxshi parametrlarni va ballni chop eting
print("Topilgan eng yaxshi parametrlar: ", grid_search.best_params_)
print("Eng yaxshi o'zaro validatsiya balli: ", grid_search.best_score_)

# Eng yaxshi baholovchi allaqachon butun o'qitish ma'lumotlariga qayta moslashtirilgan
best_model = grid_search.best_estimator_
print("Eng yaxshi model bilan test to'plami balli: ", best_model.score(X_test, y_test))

            

              
                Copy
              
            
          

`param_grid` dagi kalitlarga diqqat bilan qarang:

• 'preprocessor__num__imputer__strategy': Bu `preprocessor` nomli `ColumnTransformer` ichidagi `num` nomli sonli pipeline ichida `imputer` nomli `SimpleImputer` qadamining `strategy` parametrini maqsad qiladi.
• 'classifier__n_estimators': Bu `classifier` nomli yakuniy baholovchining `n_estimators` parametrini maqsad qiladi.

Buni amalga oshirib, `GridSearchCV` to'g'ri barcha kombinatsiyalarni sinab ko'radi va butun ish jarayoni uchun optimal parametrlar to'plamini topadi, chunki barcha oldindan ishlash har bir o'zaro validatsiya katakchasi ichida amalga oshiriladi.

Pipelinelarni Vizualizatsiya Qilish va Tekshirish

Murakkab pipelinelarni baholash qiyin bo'lishi mumkin. Scikit-learn ularni vizualizatsiya qilishning ajoyib usulini taqdim etadi. 0.23 versiyasidan boshlab interaktiv HTML taqdimotini olishingiz mumkin.

            
from sklearn import set_config

# Vizual taqdimotni olish uchun displeyni 'diagram' ga o'rnating
set_config(display='diagram')

# Endi, shunchaki pipeline ob'ektini Jupyter Notebook yoki shunga o'xshash muhitda ko'rsatish uni taqdim etadi
full_pipeline

            

              
                Copy
              
            
          

Bu har bir transformator va baholovchi orqali ma'lumotlar oqimini ularning nomlari bilan birga ko'rsatadigan diagrammani yaratadi. Bu nosozliklarni tuzatish, ishingizni baham ko'rish va modelingiz tuzilishini tushunish uchun juda foydali.

Shuningdek, o'rnatilgan pipeline-ning individual qadamlariga ularning nomlari yordamida kirishingiz mumkin:

            
# O'rnatilgan pipeline-ning yakuniy klassifikatoriga kiring
final_classifier = full_pipeline.named_steps['classifier']
print("Xususiyatlarning muhimligi:", final_classifier.feature_importances_)

# O'rganilgan kategoriyalarni ko'rish uchun OneHotEncoder ga kiring
onehot_encoder = full_pipeline.named_steps['preprocessor'].named_transformers_['cat'].named_steps['onehot']
print("O'rganilgan kategorik xususiyatlar:", onehot_encoder.categories_)

            

              
                Copy
              
            
          

Umumiy Kamchiliklar va Eng Yaxshi Amaliyotlar

1. Noto'g'ri Ma'lumotlarda Moslashish: Har doim, har doim pipelinelaringizni FAQAT o'qitish ma'lumotlarida moslang. Hech qachon uni to'liq ma'lumotlar to'plamida yoki test to'plamida moslamang. Bu ma'lumotlarning sizib chiqishini oldini olishning asosiy qoidasidir.
2. Ma'lumotlar Formatlari: Har bir qadamda kutilgan ma'lumotlar formatiga e'tibor bering. Ba'zi transformatorlar (bizning maxsus misolimizdagi kabi) NumPy massivlari bilan ishlashi mumkin, boshqalari Pandas DataFrames bilan qulayroqdir. Scikit-learn buni odatda yaxshi hal qiladi, lekin bu haqda, ayniqsa maxsus transformatorlar bilan xabardor bo'lish kerak.
3. Pipelinelarni Saqlash va Yuklash: Modelingizni joylashtirish uchun siz o'rnatilgan pipeline-ni saqlashingiz kerak bo'ladi. Python ekotizimida buni amalga oshirishning standart usuli `joblib` yoki `pickle` yordamida. `joblib` ko'pincha katta NumPy massivlarini tashuvchi ob'ektlar uchun samaraliroqdir.

               
   import joblib
   
   # Pipeline-ni saqlang
   joblib.dump(full_pipeline, 'my_model_pipeline.joblib')
   
   # Pipeline-ni keyinroq yuklang
   loaded_pipeline = joblib.load('my_model_pipeline.joblib')
   
   # Yuklangan model bilan prognoz qiling
   loaded_pipeline.predict(new_data)
   
               
   
                 
                   Copy
                 
               
             

4. Tavsiflovchi Nomlardan Foydalaning: Pipelinelaringiz qadamlari va `ColumnTransformer` komponentlariga aniq, tavsiflovchi nomlar bering (masalan, 'numeric_imputer', 'categorical_encoder', 'svm_classifier'). Bu sizning kodingizni o'qishga osonlashtiradi va giperparametrni sozlash va nosozliklarni tuzatishni soddalashtiradi.

Xulosa: Nima uchun Pipelinelar Professional ML uchun Muhokama Qilinmaydi

Scikit-learn Pipelinelar shunchaki kod yozish uchun vosita emas; ular qo'lda, xatolarga moyil skriptlardan mashina o'rganishga tizimli, mustahkam va takrorlanuvchan yondashuvga paradigma o'zgarishini ifodalaydi. Ular ML muhandisligi amaliyotlarining asosidir.

Pipelinelarni qabul qilib, siz quyidagilarga erishasiz:

• Mustahkamlik: Mashina o'rganish loyihalarida xatoning eng keng tarqalgan manbai - ma'lumotlarning sizib chiqishini yo'q qilasiz.
• Samaradorlik: Siz xususiyatlar muhandisligidan giperparametrni sozlashgacha bo'lgan butun ish jarayoningizni bitta, uyg'un birlikka soddalashtirasiz.
• Takrorlanuvchanlik: Siz butun model mantig'ingizni o'z ichiga olgan bitta, seriyalashtiriladigan ob'ektni yaratasiz, uni joylashtirish va baham ko'rishni osonlashtirasiz.

Agar siz real dunyoda ishonchli ishlaydigan mashina o'rganish modellari yaratishga jiddiy qaror qilgan bo'lsangiz, Scikit-learn Pipelinelarini o'zlashtirish ixtiyoriy emas - bu zarur. Ularni bugun loyihalaringizga kiritishni boshlang va siz avvalgidan ko'ra tezroq yaxshiroq, ishonchliroq modellar qurasiz.