ML-For-Beginners/translations/ur/2-Regression/1-Tools/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
  "translation_date": "2025-09-06T08:45:16+00:00",
  "source_file": "2-Regression/1-Tools/README.md",
  "language_code": "ur"
}
-->
# Python اور Scikit-learn کے ساتھ ریگریشن ماڈلز کے لیے شروعات کریں

![ریگریشنز کا خلاصہ ایک خاکہ میں](../../../../sketchnotes/ml-regression.png)

> خاکہ [Tomomi Imura](https://www.twitter.com/girlie_mac) کی طرف سے

## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ml/)

> ### [یہ سبق R میں بھی دستیاب ہے!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)

## تعارف

ان چار اسباق میں، آپ ریگریشن ماڈلز بنانے کا طریقہ سیکھیں گے۔ ہم جلد ہی ان کے استعمال کے بارے میں بات کریں گے۔ لیکن کچھ بھی کرنے سے پہلے، یہ یقینی بنائیں کہ آپ کے پاس صحیح ٹولز موجود ہیں تاکہ آپ عمل شروع کر سکیں!

اس سبق میں، آپ سیکھیں گے کہ:

- اپنے کمپیوٹر کو مقامی مشین لرننگ کے کاموں کے لیے ترتیب دیں۔
- Jupyter نوٹ بکس کے ساتھ کام کریں۔
- Scikit-learn کا استعمال کریں، بشمول انسٹالیشن۔
- ایک عملی مشق کے ذریعے لینیئر ریگریشن کو دریافت کریں۔

## انسٹالیشنز اور ترتیب

[![مشین لرننگ کے لیے ابتدائی - مشین لرننگ ماڈلز بنانے کے لیے اپنے ٹولز تیار کریں](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "مشین لرننگ کے لیے ابتدائی - مشین لرننگ ماڈلز بنانے کے لیے اپنے ٹولز تیار کریں")

> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اپنے کمپیوٹر کو مشین لرننگ کے لیے ترتیب دینے کے عمل کو دیکھ سکیں۔

1. **Python انسٹال کریں**۔ یہ یقینی بنائیں کہ [Python](https://www.python.org/downloads/) آپ کے کمپیوٹر پر انسٹال ہے۔ آپ ڈیٹا سائنس اور مشین لرننگ کے بہت سے کاموں کے لیے Python استعمال کریں گے۔ زیادہ تر کمپیوٹر سسٹمز میں پہلے سے ہی Python انسٹال ہوتا ہے۔ کچھ صارفین کے لیے سیٹ اپ کو آسان بنانے کے لیے [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) بھی دستیاب ہیں۔

   تاہم، Python کے کچھ استعمالات ایک ورژن کی ضرورت رکھتے ہیں، جبکہ دوسرے مختلف ورژن کی ضرورت رکھتے ہیں۔ اسی وجہ سے، [ورچوئل ماحول](https://docs.python.org/3/library/venv.html) میں کام کرنا مفید ہے۔

2. **Visual Studio Code انسٹال کریں**۔ یہ یقینی بنائیں کہ Visual Studio Code آپ کے کمپیوٹر پر انسٹال ہے۔ [Visual Studio Code انسٹال کرنے](https://code.visualstudio.com/) کے بنیادی ہدایات پر عمل کریں۔ اس کورس میں آپ Python کو Visual Studio Code میں استعمال کریں گے، لہذا آپ [Visual Studio Code کو Python ڈیولپمنٹ کے لیے ترتیب دینے](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) کے بارے میں جاننا چاہیں گے۔

   > Python کے ساتھ آرام دہ ہونے کے لیے اس [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) کے مجموعے پر کام کریں۔
   >
   > [![Visual Studio Code کے ساتھ Python ترتیب دیں](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "Visual Studio Code کے ساتھ Python ترتیب دیں")
   >
   > 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ Visual Studio Code میں Python استعمال کرنے کا ویڈیو دیکھ سکیں۔

3. **Scikit-learn انسٹال کریں**، [ان ہدایات](https://scikit-learn.org/stable/install.html) پر عمل کرتے ہوئے۔ چونکہ آپ کو Python 3 استعمال کرنے کی ضرورت ہے، یہ تجویز کیا جاتا ہے کہ آپ ورچوئل ماحول استعمال کریں۔ نوٹ کریں، اگر آپ یہ لائبریری M1 Mac پر انسٹال کر رہے ہیں، تو صفحے پر دی گئی خاص ہدایات پر عمل کریں۔

4. **Jupyter Notebook انسٹال کریں**۔ آپ کو [Jupyter پیکیج انسٹال](https://pypi.org/project/jupyter/) کرنے کی ضرورت ہوگی۔

## آپ کا مشین لرننگ تخلیقی ماحول

آپ **نوٹ بکس** استعمال کریں گے تاکہ Python کوڈ تیار کریں اور مشین لرننگ ماڈلز بنائیں۔ یہ فائل کی قسم ڈیٹا سائنسدانوں کے لیے ایک عام ٹول ہے، اور انہیں ان کے لاحقہ یا توسیع `.ipynb` سے پہچانا جا سکتا ہے۔

نوٹ بکس ایک انٹرایکٹو ماحول فراہم کرتی ہیں جو ڈیولپر کو کوڈ لکھنے اور اس کے ارد گرد نوٹس اور دستاویزات شامل کرنے کی اجازت دیتی ہیں، جو تجرباتی یا تحقیقی منصوبوں کے لیے کافی مددگار ثابت ہوتی ہیں۔

[![مشین لرننگ کے لیے ابتدائی - Jupyter نوٹ بکس ترتیب دیں تاکہ ریگریشن ماڈلز بنانا شروع کریں](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "مشین لرننگ کے لیے ابتدائی - Jupyter نوٹ بکس ترتیب دیں تاکہ ریگریشن ماڈلز بنانا شروع کریں")

> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اس مشق کے عمل کو دیکھ سکیں۔

### مشق - نوٹ بک کے ساتھ کام کریں

اس فولڈر میں، آپ کو فائل _notebook.ipynb_ ملے گی۔

1. _notebook.ipynb_ کو Visual Studio Code میں کھولیں۔

   ایک Jupyter سرور Python 3+ کے ساتھ شروع ہوگا۔ آپ کو نوٹ بک کے وہ حصے ملیں گے جو `run` کیے جا سکتے ہیں، یعنی کوڈ کے ٹکڑے۔ آپ کوڈ بلاک کو چلانے کے لیے اس آئیکن کو منتخب کر سکتے ہیں جو پلے بٹن کی طرح دکھائی دیتا ہے۔

2. `md` آئیکن منتخب کریں اور تھوڑا سا مارک ڈاؤن شامل کریں، اور درج ذیل متن **# اپنی نوٹ بک میں خوش آمدید** لکھیں۔

   اس کے بعد کچھ Python کوڈ شامل کریں۔

3. کوڈ بلاک میں **print('hello notebook')** لکھیں۔
4. کوڈ چلانے کے لیے تیر کو منتخب کریں۔

   آپ کو پرنٹ شدہ بیان نظر آنا چاہیے:

    ```output
    hello notebook
    ```

![VS Code میں ایک نوٹ بک کھلی ہوئی](../../../../2-Regression/1-Tools/images/notebook.jpg)

آپ اپنے کوڈ کے ساتھ تبصرے شامل کر سکتے ہیں تاکہ نوٹ بک کو خود دستاویز کریں۔

✅ ایک لمحے کے لیے سوچیں کہ ویب ڈیولپر کے کام کرنے کے ماحول اور ڈیٹا سائنسدان کے کام کرنے کے ماحول میں کتنا فرق ہے۔

## Scikit-learn کے ساتھ شروعات

اب جب کہ Python آپ کے مقامی ماحول میں ترتیب دی گئی ہے، اور آپ Jupyter نوٹ بکس کے ساتھ آرام دہ ہیں، آئیے Scikit-learn کے ساتھ بھی اتنا ہی آرام دہ ہو جائیں (اسے `sci` جیسے `science` میں تلفظ کریں)۔ Scikit-learn آپ کو مشین لرننگ کے کام انجام دینے میں مدد دینے کے لیے ایک [وسیع API](https://scikit-learn.org/stable/modules/classes.html#api-ref) فراہم کرتا ہے۔

ان کے [ویب سائٹ](https://scikit-learn.org/stable/getting_started.html) کے مطابق، "Scikit-learn ایک اوپن سورس مشین لرننگ لائبریری ہے جو سپروائزڈ اور ان سپروائزڈ لرننگ کو سپورٹ کرتی ہے۔ یہ ماڈل فٹنگ، ڈیٹا پری پروسیسنگ، ماڈل سلیکشن اور ایویلیوایشن، اور دیگر کئی یوٹیلیٹیز کے لیے مختلف ٹولز فراہم کرتی ہے۔"

اس کورس میں، آپ Scikit-learn اور دیگر ٹولز کا استعمال کریں گے تاکہ مشین لرننگ ماڈلز بنائیں جو ہم 'روایتی مشین لرننگ' کام کہتے ہیں۔ ہم نے جان بوجھ کر نیورل نیٹ ورکس اور ڈیپ لرننگ سے گریز کیا ہے، کیونکہ یہ ہمارے آنے والے 'AI for Beginners' نصاب میں بہتر طور پر شامل کیے گئے ہیں۔

Scikit-learn ماڈلز بنانے اور ان کا استعمال کرنے کے لیے ان کا جائزہ لینے کو آسان بناتا ہے۔ یہ بنیادی طور پر عددی ڈیٹا کے استعمال پر مرکوز ہے اور سیکھنے کے ٹولز کے طور پر استعمال کے لیے کئی تیار شدہ ڈیٹاسیٹس شامل کرتا ہے۔ یہ طلباء کے لیے آزمائش کے لیے پہلے سے تیار شدہ ماڈلز بھی شامل کرتا ہے۔ آئیے پہلے Scikit-learn کے ساتھ کچھ بنیادی ڈیٹا کے ساتھ پہلے ML ماڈل کو دریافت کریں۔

## مشق - آپ کی پہلی Scikit-learn نوٹ بک

> یہ ٹیوٹوریل Scikit-learn کی ویب سائٹ پر [لینیئر ریگریشن کی مثال](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) سے متاثر ہوا ہے۔

[![مشین لرننگ کے لیے ابتدائی - Python میں آپ کا پہلا لینیئر ریگریشن پروجیکٹ](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "مشین لرننگ کے لیے ابتدائی - Python میں آپ کا پہلا لینیئر ریگریشن پروجیکٹ")

> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اس مشق کے عمل کو دیکھ سکیں۔

_نوٹ بک.ipynb_ فائل میں، تمام سیلز کو 'trash can' آئیکن دباکر صاف کریں۔

اس سیکشن میں، آپ Scikit-learn میں سیکھنے کے مقاصد کے لیے شامل ایک چھوٹے ڈیٹاسیٹ کے ساتھ کام کریں گے جو ذیابیطس کے بارے میں ہے۔ تصور کریں کہ آپ ذیابیطس کے مریضوں کے لیے علاج کی جانچ کرنا چاہتے ہیں۔ مشین لرننگ ماڈلز آپ کو یہ تعین کرنے میں مدد دے سکتے ہیں کہ کون سے مریض علاج کے لیے بہتر ردعمل دیں گے، متغیرات کے امتزاج کی بنیاد پر۔ یہاں تک کہ ایک بہت ہی بنیادی ریگریشن ماڈل، جب بصری بنایا جائے، متغیرات کے بارے میں معلومات دکھا سکتا ہے جو آپ کو اپنے نظریاتی کلینیکل ٹرائلز کو منظم کرنے میں مدد دے سکتے ہیں۔

✅ ریگریشن کے کئی طریقے ہیں، اور آپ کون سا منتخب کرتے ہیں اس کا انحصار اس جواب پر ہوتا ہے جس کی آپ تلاش کر رہے ہیں۔ اگر آپ کسی دیے گئے عمر کے شخص کے لیے ممکنہ قد کی پیش گوئی کرنا چاہتے ہیں، تو آپ لینیئر ریگریشن استعمال کریں گے، کیونکہ آپ ایک **عددی قدر** تلاش کر رہے ہیں۔ اگر آپ یہ دریافت کرنا چاہتے ہیں کہ آیا کسی قسم کے کھانے کو ویگن سمجھا جانا چاہیے یا نہیں، تو آپ ایک **زمرہ تفویض** تلاش کر رہے ہیں، لہذا آپ لاجسٹک ریگریشن استعمال کریں گے۔ آپ لاجسٹک ریگریشن کے بارے میں بعد میں مزید سیکھیں گے۔ ڈیٹا سے کچھ سوالات کے بارے میں سوچیں، اور ان طریقوں میں سے کون سا زیادہ مناسب ہوگا۔

آئیے اس کام کو شروع کریں۔

### لائبریریاں درآمد کریں

اس کام کے لیے ہم کچھ لائبریریاں درآمد کریں گے:

- **matplotlib**۔ یہ ایک مفید [گرافنگ ٹول](https://matplotlib.org/) ہے اور ہم اسے لائن پلاٹ بنانے کے لیے استعمال کریں گے۔
- **numpy**۔ [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python میں عددی ڈیٹا کو سنبھالنے کے لیے ایک مفید لائبریری ہے۔
- **sklearn**۔ یہ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) لائبریری ہے۔

اپنے کاموں میں مدد کے لیے کچھ لائبریریاں درآمد کریں۔

1. درج ذیل کوڈ لکھ کر درآمدات شامل کریں:

   ```python
   import matplotlib.pyplot as plt
   import numpy as np
   from sklearn import datasets, linear_model, model_selection
   ```

   اوپر آپ `matplotlib`، `numpy` درآمد کر رہے ہیں اور آپ `datasets`، `linear_model` اور `model_selection` کو `sklearn` سے درآمد کر رہے ہیں۔ `model_selection` ڈیٹا کو ٹریننگ اور ٹیسٹ سیٹس میں تقسیم کرنے کے لیے استعمال ہوتا ہے۔

### ذیابیطس ڈیٹاسیٹ

بلٹ ان [ذیابیطس ڈیٹاسیٹ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) میں ذیابیطس کے ارد گرد 442 نمونے شامل ہیں، جن میں 10 فیچر متغیرات شامل ہیں، جن میں سے کچھ یہ ہیں:

- عمر: سالوں میں عمر
- bmi: باڈی ماس انڈیکس
- bp: اوسط بلڈ پریشر
- s1 tc: ٹی سیلز (سفید خون کے خلیوں کی ایک قسم)

✅ اس ڈیٹاسیٹ میں ذیابیطس کے ارد گرد تحقیق کے لیے ایک اہم فیچر متغیر کے طور پر 'جنس' کا تصور شامل ہے۔ بہت سے طبی ڈیٹاسیٹس میں اس قسم کی بائنری درجہ بندی شامل ہوتی ہے۔ اس بارے میں تھوڑا سوچیں کہ اس طرح کی درجہ بندی علاج سے آبادی کے کچھ حصوں کو کیسے خارج کر سکتی ہے۔

اب، X اور y ڈیٹا لوڈ کریں۔

> 🎓 یاد رکھیں، یہ سپروائزڈ لرننگ ہے، اور ہمیں ایک نامزد 'y' ہدف کی ضرورت ہے۔

ایک نئے کوڈ سیل میں، ذیابیطس ڈیٹاسیٹ کو `load_diabetes()` کال کرکے لوڈ کریں۔ ان پٹ `return_X_y=True` اشارہ دیتا ہے کہ `X` ایک ڈیٹا میٹرکس ہوگا، اور `y` ریگریشن ہدف ہوگا۔

1. ڈیٹا میٹرکس کی شکل اور اس کے پہلے عنصر کو دکھانے کے لیے کچھ پرنٹ کمانڈز شامل کریں:

    ```python
    X, y = datasets.load_diabetes(return_X_y=True)
    print(X.shape)
    print(X[0])
    ```

    جو آپ کو جواب کے طور پر واپس مل رہا ہے، وہ ایک ٹپل ہے۔ جو آپ کر رہے ہیں وہ یہ ہے کہ ٹپل کی دو پہلی اقدار کو بالترتیب `X` اور `y` میں تفویض کر رہے ہیں۔ [ٹپلز کے بارے میں مزید جانیں](https://wikipedia.org/wiki/Tuple)۔

    آپ دیکھ سکتے ہیں کہ اس ڈیٹا میں 442 آئٹمز ہیں جو 10 عناصر کے ارے میں ترتیب دیے گئے ہیں:

    ```text
    (442, 10)
    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076
    -0.04340085 -0.00259226  0.01990842 -0.01764613]
    ```

    ✅ ڈیٹا اور ریگریشن ہدف کے درمیان تعلق کے بارے میں تھوڑا سوچیں۔ لینیئر ریگریشن فیچر X اور ہدف متغیر y کے درمیان تعلقات کی پیش گوئی کرتا ہے۔ کیا آپ ذیابیطس ڈیٹاسیٹ کے لیے [ہدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) کو دستاویزات میں تلاش کر سکتے ہیں؟ یہ ڈیٹاسیٹ کیا ظاہر کر رہا ہے، دیے گئے ہدف کے ساتھ؟

2. اگلا، اس ڈیٹاسیٹ کے ایک حصے کو منتخب کریں تاکہ اسے پلاٹ کیا جا سکے، ڈیٹاسیٹ کے تیسرے کالم کو منتخب کرکے۔ آپ `:` آپریٹر کا استعمال کرکے تمام قطاریں منتخب کر سکتے ہیں، اور پھر انڈیکس (2) کا استعمال کرکے تیسرے کالم کو منتخب کر سکتے ہیں۔ آپ ڈیٹا کو 2D ارے میں تبدیل کرنے کے لیے `reshape(n_rows, n_columns)` کا استعمال بھی کر سکتے ہیں - جیسا کہ پلاٹنگ کے لیے ضروری ہے۔ اگر ایک پیرامیٹر -1 ہے، تو متعلقہ جہت خود بخود حساب کی جاتی ہے۔

   ```python
   X = X[:, 2]
   X = X.reshape((-1,1))
   ```

   ✅ کسی بھی وقت، ڈیٹا کی شکل کو چیک کرنے کے لیے اسے پرنٹ کریں۔

3. اب جب کہ آپ کے پاس ڈیٹا پلاٹ کرنے کے لیے تیار ہے، آپ دیکھ سکتے ہیں کہ آیا مشین اس ڈیٹاسیٹ میں نمبروں کے درمیان منطقی تقسیم کا تعین کرنے میں مدد کر سکتی ہے۔ ایسا کرنے کے لیے، آپ کو ڈیٹا (X) اور ہدف (y) دونوں کو ٹیسٹ اور ٹریننگ سیٹس میں تقسیم کرنے کی ضرورت ہے۔ Scikit-learn کے پاس یہ کرنے کا ایک سیدھا طریقہ ہے؛ آپ اپنے ٹیسٹ ڈیٹا کو ایک دیے گئے نقطہ پر تقسیم کر سکتے ہیں۔

   ```python
   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
   ```

4. اب آپ اپنے ماڈل کو تربیت دینے کے لیے تیار ہیں! لینیئر ریگریشن ماڈل لوڈ کریں اور اسے اپنے X اور y ٹریننگ سیٹس کے ساتھ `model.fit()` کا استعمال کرتے ہوئے تربیت دیں:

    ```python
    model = linear_model.LinearRegression()
    model.fit(X_train, y_train)
    ```

    ✅ `model.fit()` ایک فنکشن ہے جو آپ کو TensorFlow جیسے کئی ML لائبریریوں میں نظر آئے گا۔

5. پھر، ٹیسٹ ڈیٹا کا استعمال کرتے ہوئے ایک پیش گوئی بنائیں، فنکشن `predict()` کا استعمال کرتے ہوئے۔ یہ ڈیٹا گروپوں کے درمیان لائن کھینچنے کے لیے استعمال کیا جائے گا۔

    ```python
    y_pred = model.predict(X_test)
    ```

6. اب ڈیٹا کو پلاٹ میں دکھانے کا وقت ہے۔ Matplotlib اس کام کے لیے ایک بہت مفید ٹول ہے۔ تمام X اور y ٹیسٹ ڈیٹا کا ایک اسکیٹر پلاٹ بنائیں، اور ماڈل کے ڈیٹا گروپنگ کے درمیان سب سے مناسب جگہ پر ایک لائن کھینچنے کے لیے پیش گوئی کا استعمال کریں۔

    ```python
    plt.scatter(X_test, y_test,  color='black')
    plt.plot(X_test, y_pred, color='blue', linewidth=3)
    plt.xlabel('Scaled BMIs')
    plt.ylabel('Disease Progression')
    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')
    plt.show()
    ```

   ![ذیابیطس کے ارد گرد ڈیٹا پوائنٹس دکھانے والا ایک اسکیٹر پلاٹ](../../../../2-Regression/1-Tools/images/scatterplot.png)
✅ سوچیں کہ یہاں کیا ہو رہا ہے۔ ایک سیدھی لکیر کئی چھوٹے ڈیٹا پوائنٹس کے درمیان سے گزر رہی ہے، لیکن یہ اصل میں کیا کر رہی ہے؟ کیا آپ دیکھ سکتے ہیں کہ آپ اس لکیر کو کیسے استعمال کر سکتے ہیں تاکہ اندازہ لگا سکیں کہ ایک نیا، غیر دیکھے گئے ڈیٹا پوائنٹ کو پلاٹ کے y محور کے ساتھ کس تعلق میں ہونا چاہیے؟ اس ماڈل کے عملی استعمال کو الفاظ میں بیان کرنے کی کوشش کریں۔

مبارک ہو، آپ نے اپنا پہلا لینیئر ریگریشن ماڈل بنایا، اس کے ساتھ ایک پیش گوئی کی، اور اسے ایک پلاٹ میں دکھایا!

---
## 🚀چیلنج

اس ڈیٹا سیٹ سے ایک مختلف متغیر کو پلاٹ کریں۔ اشارہ: اس لائن کو ایڈٹ کریں: `X = X[:,2]`۔ اس ڈیٹا سیٹ کے ہدف کو دیکھتے ہوئے، آپ ذیابیطس کی بیماری کے ارتقاء کے بارے میں کیا دریافت کر سکتے ہیں؟

## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ml/)

## جائزہ اور خود مطالعہ

اس ٹیوٹوریل میں، آپ نے سادہ لینیئر ریگریشن کے ساتھ کام کیا، نہ کہ یونیویریٹ یا ملٹیپل لینیئر ریگریشن کے ساتھ۔ ان طریقوں کے درمیان فرق کے بارے میں تھوڑا پڑھیں، یا [اس ویڈیو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) کو دیکھیں۔

ریگریشن کے تصور کے بارے میں مزید پڑھیں اور سوچیں کہ اس تکنیک کے ذریعے کس قسم کے سوالات کے جواب دیے جا سکتے ہیں۔ اپنی سمجھ کو گہرا کرنے کے لیے یہ [ٹیوٹوریل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لیں۔

## اسائنمنٹ

[ایک مختلف ڈیٹا سیٹ](assignment.md)

---

**ڈسکلیمر**:  
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔