Feature در ماشین لرنینگ چیست؟ آشنایی با انواع ویژگی و Feature Engineering

Feature در یادگیری ماشین چیست؟

Feature یا ویژگی، یک متغیر ورودی است که اطلاعاتی درباره هر نمونه از داده در اختیار مدل یادگیری ماشین قرار می‌دهد.

برای مثال، فرض کنید می‌خواهیم قیمت یک خانه را پیش‌بینی کنیم. اطلاعاتی مانند موارد زیر می‌توانند Feature باشند:

• متراژ خانه
• تعداد اتاق‌ها
• سن ساختمان
• فاصله تا مرکز شهر
• تعداد پارکینگ
• محله

در این مسئله، هرکدام از این متغیرها اطلاعاتی درباره خانه ارائه می‌کنند که مدل می‌تواند از آن‌ها برای پیش‌بینی قیمت استفاده کند.

در منابع یادگیری ماشین، Feature معمولاً به‌عنوان یک متغیر ورودی مدل تعریف می‌شود؛ یک نمونه می‌تواند از یک یا چند Feature تشکیل شده باشد.

البته Feature الزاماً همان چیزی نیست که در فایل خام داده مشاهده می‌کنیم. ممکن است یک ستون خام پس از تبدیل، کدگذاری یا ترکیب با ویژگی‌های دیگر به یک Feature مناسب برای مدل تبدیل شود.

اگر تازه با یادگیری ماشین آشنا شده‌اید و می‌خواهید ابتدا تصویر کلی این حوزه را بشناسید، پیشنهاد می‌کنیم مقاله زیر را مطالعه کنید:

یک مثال ساده برای درک Feature

فرض کنید داده‌های مربوط به چند دانشجو را داریم:

سن	معدل	تعداد ساعات مطالعه	وضعیت قبولی
20	17.5	4	قبول
22	15.8	2	قبول
19	11.2	1	مردود
24	18.1	5	قبول

در این جدول:

• سن یک Feature است.
• معدل یک Feature است.
• تعداد ساعات مطالعه یک Feature است.
• وضعیت قبولی در صورتی که هدف پیش‌بینی باشد، Label یا Target است.

بنابراین اگر هدف مدل پیش‌بینی قبولی دانشجو باشد، مدل می‌تواند از سه Feature اول برای پیش‌بینی ستون آخر استفاده کند.

تفاوت Feature، Label و Target

یکی از اشتباهات رایج در شروع یادگیری ماشین، یکسان در نظر گرفتن Feature و Label است.

Feature

Feature ورودی مدل است. مثلاً برای پیش‌بینی قیمت خانه:

• متراژ
• تعداد اتاق
• سن ساختمان
• منطقه

می‌توانند Feature باشند.

Label

Label پاسخ یا خروجی واقعی مربوط به نمونه‌های آموزشی است؛ اصطلاح Label بیشتر در مسائل یادگیری نظارت‌شده استفاده می‌شود.

Target

Target نیز به متغیر هدفی گفته می‌شود که مدل قصد پیش‌بینی آن را دارد.

برای مثال، اگر هدف پیش‌بینی قیمت خانه باشد:

در یک مسئله طبقه‌بندی نیز ممکن است Featureها شامل سن، درآمد و سابقه خرید باشند و Target مشخص کند که آیا مشتری محصول را خریداری کرده است یا خیر.

Feature Vector چیست؟

مدل‌های یادگیری ماشین معمولاً داده را به شکل یک Feature Vector دریافت می‌کنند.

Feature Vector مجموعه‌ای از مقادیر مربوط به Featureهای یک نمونه است.

فرض کنید سه Feature داریم:

• سن
• درآمد
• تعداد خرید

برای یک مشتری ممکن است Feature Vector به شکل زیر باشد:

یعنی این نمونه:

• 32 سال سن دارد،
• درآمد او 45000 واحد پولی است،
• 12 خرید داشته است.

در عمل، Feature Vector همیشه شامل مقادیر خام نیست. داده‌های خام ممکن است ابتدا به شکل عددی مناسب تبدیل شوند. برای مثال، یک ویژگی متنی یا دسته‌ای باید به نمایش عددی تبدیل شود تا مدل بتواند از آن استفاده کند.

بنابراین می‌توان مسیر کلی را به این شکل در نظر گرفت:

انواع Feature در یادگیری ماشین

Featureها را می‌توان از جنبه‌های مختلف دسته‌بندی کرد. یکی از کاربردی‌ترین دسته‌بندی‌ها بر اساس نوع داده است.

مهم‌ترین انواع Feature عبارت‌اند از:

• Feature عددی
• Feature دسته‌ای
• Feature دودویی
• Feature ترتیبی
• Feature متنی
• Feature زمانی و تاریخی
• Featureهای مشتق‌شده

شناخت نوع Feature اهمیت زیادی دارد، زیرا روش آماده‌سازی هر نوع داده متفاوت است.

Feature عددی چیست؟

Feature عددی مقداری عددی دارد و معمولاً به دو گروه اصلی تقسیم می‌شود.

ویژگی عددی گسسته

مقادیر قابل شمارش دارد. مثلاً:

• تعداد فرزندان
• تعداد خریدها
• تعداد اتاق‌ها
• تعداد مراجعه‌ها

ویژگی عددی پیوسته

می‌تواند در یک بازه مقادیر بسیار زیادی داشته باشد. مثلاً:

• وزن
• قد
• دما
• درآمد
• قیمت
• زمان

برای نمونه، «تعداد اتاق» معمولاً یک مقدار گسسته است، درحالی‌که «متراژ خانه» می‌تواند یک مقدار پیوسته باشد. این تفاوت در برخی روش‌های پیش‌پردازش و تحلیل داده اهمیت دارد.

Feature دسته‌ای چیست؟

Feature دسته‌ای یا Categorical Feature ویژگی‌ای است که مقدار آن نشان‌دهنده یک دسته یا گروه مشخص است. مثلاً:

• جنسیت
• شهر
• نوع خودرو
• روش پرداخت
• نوع قرارداد

فرض کنید Feature مربوط به روش پرداخت شامل این مقادیر باشد:

• نقدی
• کارت بانکی
• آنلاین

مدل بسیاری از اوقات نمی‌تواند این مقادیر متنی را مستقیماً مانند یک عدد معمولی پردازش کند. بنابراین باید آن‌ها را به نمایش عددی مناسب تبدیل کرد.

یکی از روش‌های رایج، One-Hot Encoding است. برای مثال:

روش پرداخت	نقدی	کارت	آنلاین
نقدی	1	0	0
کارت	0	1	0
آنلاین	0	0	1

انتخاب روش مناسب برای تبدیل Featureهای دسته‌ای به نوع مدل و ساختار داده بستگی دارد. روش‌هایی مانند One-Hot Encoding، Feature Hashing و Mean Encoding از روش‌های مورد استفاده برای نمایش داده‌های دسته‌ای هستند.

Feature دودویی و ترتیبی چیست؟

Feature دودویی

Feature دودویی یا Binary Feature فقط دو حالت دارد. مثلاً:

• بله / خیر
• فعال / غیرفعال
• قبول / مردود
• خرید / عدم خرید

این نوع Feature معمولاً می‌تواند با مقادیر 0 و 1 نمایش داده شود.

Feature ترتیبی

در Feature ترتیبی یا Ordinal Feature، دسته‌ها دارای ترتیب مشخص هستند. مثلاً سطح رضایت:

• کم
• متوسط
• زیاد

در اینجا ترتیب وجود دارد، اما فاصله بین دسته‌ها الزاماً عددی و یکسان نیست. بنابراین نباید بدون توجه به ماهیت داده، هر Feature دسته‌ای را صرفاً به اعداد 1، 2 و 3 تبدیل کرد؛ زیرا ممکن است مدل تصور کند فاصله میان دسته‌ها معنی عددی مشخصی دارد.

Feature Engineering چیست؟

Feature Engineering یا مهندسی ویژگی، فرایند ایجاد، تبدیل و آماده‌سازی Featureها به شکلی است که اطلاعات مفیدتری برای یادگیری مدل فراهم کنند.

در Feature Engineering ممکن است:

• Featureهای جدید ایجاد شوند.
• Featureهای موجود تبدیل شوند.
• داده‌های خام به نمایش مناسب تبدیل شوند.
• چند Feature با یکدیگر ترکیب شوند.
• داده‌های عددی مقیاس‌بندی شوند.
• داده‌های دسته‌ای کدگذاری شوند.

برای مثال، اگر در یک دیتاست تاریخ خرید مشتری را داشته باشیم، می‌توان از آن Featureهای جدیدی مانند:

• روز هفته
• ماه
• فصل
• فاصله از آخرین خرید

ایجاد کرد. در واقع، مدل به جای استفاده مستقیم از یک تاریخ خام، می‌تواند از اطلاعات استخراج‌شده از آن استفاده کند.

روش‌های رایج Feature Engineering

Feature Engineering می‌تواند بسته به مسئله بسیار متفاوت باشد، اما چند روش کاربرد عمومی دارند.

تبدیل ویژگی‌های عددی

گاهی یک ویژگی عددی خام مستقیماً برای مدل مناسب نیست و می‌توان آن را تبدیل کرد. برای مثال:

• تبدیل مقیاس
• لگاریتم‌گیری
• تبدیل به بازه‌های مختلف
• تبدیل مقادیر به نسبت یا نرخ

ایجاد ویژگی نسبت‌ها

گاهی نسبت دو متغیر اطلاعات بیشتری از خود آن‌ها دارد. برای مثال، در تحلیل مالی:

ممکن است برای پیش‌بینی ریسک، اطلاعات مفیدتری نسبت به استفاده جداگانه از بدهی و درآمد ارائه دهد.

استخراج اطلاعات از تاریخ

از یک Feature مانند تاریخ می‌توان ویژگی‌های متعددی ایجاد کرد:

ترکیب ویژگی‌ها

گاهی رابطه میان دو Feature اهمیت دارد. برای مثال:

در این حالت یک Feature جدید از ترکیب Featureهای قبلی ساخته شده است.

Binning

در روش Binning یک متغیر عددی به بازه‌هایی تقسیم می‌شود. مثلاً سن:

• کمتر از 20
• 20 تا 30
• 30 تا 40
• بیشتر از 40

Binning یکی از روش‌های شناخته‌شده برای تبدیل نمایش عددی Featureهاست.

Feature Selection چیست؟

Feature Selection یا انتخاب ویژگی یعنی انتخاب بخشی از Featureهای موجود و حذف ویژگی‌هایی که برای مدل ارزش کافی ندارند.

فرض کنید دیتاستی با 100 Feature داریم. ممکن است فقط 20 مورد از آن‌ها واقعاً اطلاعات مفیدی برای مسئله موردنظر داشته باشند. در چنین شرایطی می‌توان Featureهای کم‌اهمیت یا نامرتبط را حذف کرد.

اهداف Feature Selection می‌تواند شامل موارد زیر باشد:

• کاهش پیچیدگی مدل
• کاهش حجم داده ورودی
• کاهش زمان آموزش
• حذف اطلاعات نامرتبط
• کاهش احتمال Overfitting
• بهبود تفسیرپذیری مدل

روش‌های Feature Selection شامل روش‌های آماری، روش‌های مبتنی بر مدل و روش‌های ترتیبی هستند. در کتابخانه‌هایی مانند Scikit-learn نیز روش‌هایی مانند Sequential Feature Selection، RFE و SelectFromModel برای این هدف وجود دارند.

Feature Extraction چیست؟

Feature Extraction یا استخراج ویژگی به فرایندی گفته می‌شود که در آن از داده خام یا نمایش اولیه داده، ویژگی‌های جدید و فشرده‌تری استخراج می‌کنیم.

برای مثال، فرض کنید یک تصویر تعداد بسیار زیادی پیکسل دارد. می‌توان با استفاده از یک روش استخراج ویژگی، نمایش فشرده‌تری از اطلاعات تصویر ایجاد کرد.

در داده‌های متنی نیز می‌توان از متن خام، ویژگی‌هایی مانند موارد زیر استخراج کرد:

• تعداد کلمات
• فراوانی واژه‌ها
• TF-IDF
• Embeddingها

در برخی کاربردها، Feature Extraction باعث می‌شود اطلاعات پیچیده داده به یک نمایش مناسب‌تر برای مدل تبدیل شود.

بنابراین:

تفاوت Feature Selection و Feature Extraction

این دو مفهوم شبیه به هم به نظر می‌رسند، اما یکسان نیستند.

ویژگی	Feature Selection	Feature Extraction
هدف	انتخاب ویژگی‌های موجود	ایجاد یا استخراج نمایش‌های جدید
تغییرات	برخی Featureها حذف می‌شوند	ویژگی‌های جدید ممکن است ساخته شوند
تعداد Featureها	تعداد Featureها کاهش پیدا می‌کند	داده به نمایش دیگری تبدیل می‌شود
تفسیر	تفسیر ویژگی‌ها معمولاً ساده‌تر است	تفسیر Featureهای جدید ممکن است دشوارتر باشد
مثال	انتخاب 10 Feature از 50 Feature	تبدیل 50 متغیر به چند مؤلفه

برای مثال، اگر 50 ستون داشته باشیم و 10 ستون مهم را نگه داریم، Feature Selection انجام داده‌ایم. اما اگر 50 ستون را به مجموعه‌ای از مؤلفه‌های جدید تبدیل کنیم، وارد حوزه Feature Extraction شده‌ایم.

Feature Scaling و اهمیت آن

Featureهای عددی ممکن است مقیاس‌های بسیار متفاوتی داشته باشند. مثلاً:

• سن: بین 18 تا 80
• درآمد: بین 10,000 تا 500,000
• تعداد خرید: بین 0 تا 100

در بعضی الگوریتم‌ها این تفاوت مقیاس می‌تواند بر فرایند یادگیری اثر بگذارد. به همین دلیل از روش‌هایی مانند موارد زیر استفاده می‌شود:

• Standardization
• Min-Max Scaling
• Normalization

برای مثال در Standardization معمولاً مقدار هر Feature بر اساس میانگین و انحراف معیار آن تبدیل می‌شود. هدف این است که Featureها در مقیاس مناسب‌تری برای الگوریتم قرار بگیرند.

Feature Interaction چیست؟

گاهی یک Feature به‌تنهایی اطلاعات کاملی ارائه نمی‌کند و رابطه آن با Feature دیگری اهمیت دارد. به این رابطه Feature Interaction گفته می‌شود.

برای مثال، فرض کنید می‌خواهیم میزان فروش یک فروشگاه را پیش‌بینی کنیم. دو Feature داریم:

• قیمت
• میزان تخفیف

اثر تخفیف ممکن است به قیمت محصول وابسته باشد. بنابراین ترکیب یا تعامل این دو Feature می‌تواند اطلاعات بیشتری نسبت به بررسی مستقل آن‌ها ارائه دهد.

یکی از شکل‌های ایجاد تعامل میان ویژگی‌ها، Feature Cross است. در این روش دو یا چند Feature ترکیب می‌شوند تا یک Feature جدید ایجاد شود. این روش به‌ویژه در برخی مدل‌های خطی می‌تواند به مدل کمک کند روابط میان ویژگی‌ها را بهتر یاد بگیرد.

البته ایجاد تعداد زیادی Feature Interaction می‌تواند تعداد ویژگی‌ها را به‌شدت افزایش دهد؛ بنابراین باید هدفمند انجام شود.

Feature Leakage چیست؟

یکی از مهم‌ترین مشکلات مرتبط با Featureها، Feature Leakage یا نشت اطلاعات است.

Feature Leakage زمانی اتفاق می‌افتد که یک Feature اطلاعاتی را وارد مدل کند که در زمان واقعی پیش‌بینی در دسترس نیست یا مستقیماً یا غیرمستقیم اطلاعات Target را در خود دارد.

برای مثال فرض کنید هدف، پیش‌بینی اینکه آیا یک مشتری فردا خرید می‌کند یا خیر باشد. اگر Featureای داشته باشیم که تعداد خریدهای انجام‌شده در پایان فردا را نشان دهد، این Feature ممکن است ارتباط بسیار زیادی با Target داشته باشد؛ اما در زمان پیش‌بینی در دسترس نیست.

در نتیجه مدل ممکن است در ارزیابی عملکرد فوق‌العاده‌ای نشان دهد، اما در دنیای واقعی عملکرد ضعیفی داشته باشد.

در سیستم‌های واقعی، هماهنگ بودن Featureهای زمان آموزش با Featureهای موجود هنگام استفاده از مدل اهمیت زیادی دارد؛ زیرا تفاوت میان این دو می‌تواند به مشکلاتی مانند Training-Serving Skew منجر شود.

یک Feature خوب چه ویژگی‌هایی دارد؟

یک Feature مناسب الزاماً Featureای نیست که فقط با Target همبستگی زیادی داشته باشد. یک Feature خوب معمولاً باید ویژگی‌هایی مانند موارد زیر داشته باشد:

مرتبط با مسئله باشد

Feature باید اطلاعاتی مرتبط با هدف پیش‌بینی ارائه دهد.

هنگام پیش‌بینی در دسترس باشد

نباید اطلاعات آینده یا اطلاعاتی که فقط بعد از وقوع Target مشخص می‌شود، وارد Featureها شود.

کیفیت داده مناسبی داشته باشد

Feature دارای خطا، مقدارهای غیرواقعی یا داده‌های بسیار ناقص می‌تواند عملکرد مدل را کاهش دهد.

اطلاعات تکراری غیرضروری ایجاد نکند

وجود تعداد زیادی Feature بسیار مشابه ممکن است اطلاعات جدید چندانی به مدل اضافه نکند.

قابل نگهداری باشد

در پروژه‌های واقعی فقط دقت مدل مهم نیست. اگر جمع‌آوری یا محاسبه یک Feature بسیار پرهزینه باشد، باید ارزش آن در برابر هزینه‌اش بررسی شود. در سیستم‌های تولیدی حتی توصیه می‌شود میزان فایده Feature در برابر هزینه نگهداری آن سنجیده شود.

اهمیت Featureها چگونه بررسی می‌شود؟

بعد از ساخت مدل، ممکن است بخواهیم بدانیم کدام Featureها نقش بیشتری در پیش‌بینی داشته‌اند. این موضوع با مفهوم Feature Importance مرتبط است.

بسته به مدل، روش‌های مختلفی برای بررسی اهمیت Featureها وجود دارد. برای مثال:

• Feature Importance در مدل‌های درختی
• ضرایب مدل‌های خطی
• Permutation Importance
• روش‌های مبتنی بر SHAP

Feature در مدل‌های مختلف یادگیری ماشین

نحوه برخورد مدل‌ها با Featureها یکسان نیست.

مدل‌های خطی

در مدل‌هایی مانند Linear Regression و Logistic Regression، Featureها معمولاً به شکل ورودی‌های عددی وارد مدل می‌شوند و ضرایب آن‌ها می‌توانند اطلاعاتی درباره رابطه مدل با Featureها ارائه دهند.

مدل‌های درختی

مدل‌هایی مانند Decision Tree و Random Forest می‌توانند روابط غیرخطی میان Featureها را یاد بگیرند و معمولاً به Scaling مانند مدل‌های مبتنی بر فاصله وابسته نیستند.

مدل‌های مبتنی بر فاصله

در الگوریتم‌هایی مانند K-Nearest Neighbors، مقیاس Featureها اهمیت بیشتری دارد؛ زیرا فاصله میان نمونه‌ها تحت تأثیر مقیاس متغیرها قرار می‌گیرد.

شبکه‌های عصبی

در شبکه‌های عصبی نیز نحوه نمایش و مقیاس Featureها می‌تواند بر فرایند آموزش اثرگذار باشد. برای داده‌های غیرعددی نیز معمولاً باید نمایش عددی مناسبی ایجاد شود.

یک مثال کامل از Featureها در یک مسئله واقعی

فرض کنید یک فروشگاه اینترنتی می‌خواهد پیش‌بینی کند که آیا یک مشتری در ماه آینده خرید خواهد کرد یا خیر. داده خام مشتری شامل اطلاعات زیر است:

اطلاعات خام	نوع
سن	عددی
شهر	دسته‌ای
تعداد خریدهای قبلی	عددی
مبلغ آخرین خرید	عددی
تاریخ آخرین خرید	تاریخی
نوع دستگاه	دسته‌ای

می‌توان از این اطلاعات Featureهای مختلفی ایجاد کرد. مثلاً:

Featureهای اولیه:

• سن
• شهر
• تعداد خریدهای قبلی
• مبلغ آخرین خرید
• نوع دستگاه

Featureهای مهندسی‌شده:

• تعداد روز از آخرین خرید
• میانگین مبلغ خرید
• تعداد خرید در سه ماه اخیر
• ماه آخرین خرید
• نسبت خریدهای موبایلی به کل خریدها

در نهایت Target می‌تواند این باشد: آیا مشتری در ماه آینده خرید می‌کند؟

در این مثال، تاریخ خام الزاماً بهترین ورودی مدل نیست. تبدیل آن به ویژگی‌هایی مانند «تعداد روز از آخرین خرید» می‌تواند اطلاعاتی مستقیم‌تر و قابل استفاده‌تر ایجاد کند.

اشتباهات رایج در انتخاب و ساخت Feature

چند خطای رایج می‌تواند کیفیت مدل را به‌شدت تحت تأثیر قرار دهد.

به همین دلیل، مراحل آماده‌سازی داده و Feature Selection باید به شکلی طراحی شوند که اطلاعات مجموعه آزمون وارد فرایند آموزش نشود. استفاده از Pipeline یکی از روش‌های رایج برای منظم‌کردن این مراحل در پروژه‌های یادگیری ماشین است.

سؤالات متداول درباره Feature در ماشین لرنینگ

Feature در یادگیری ماشین چیست؟

Feature یک متغیر ورودی است که اطلاعات مربوط به هر نمونه را در اختیار مدل یادگیری ماشین قرار می‌دهد.

آیا هر ستون در دیتاست یک Feature است؟

لزوماً نه. یک ستون می‌تواند به‌عنوان Feature استفاده شود، اما Feature ممکن است از تبدیل، ترکیب یا استخراج اطلاعات از چند ستون نیز ایجاد شود.

تفاوت Feature و Target چیست؟

Feature ورودی مدل است، درحالی‌که Target متغیری است که مدل قصد پیش‌بینی آن را دارد.

Feature Engineering چیست؟

Feature Engineering فرایند ایجاد، تبدیل و آماده‌سازی Featureها برای ارائه نمایش مناسب‌تر و مفیدتر به مدل است.

Feature Selection چیست؟

Feature Selection یعنی انتخاب Featureهای مفیدتر از میان Featureهای موجود و حذف موارد کم‌فایده یا نامرتبط.

Feature Extraction چیست؟

Feature Extraction فرایند استخراج یا ایجاد نمایش‌های جدید از داده خام است تا داده به شکل مناسب‌تری در اختیار مدل قرار گیرد.

آیا Featureهای بیشتر همیشه بهتر است؟

خیر. Featureهای بیشتر ممکن است اطلاعات مفید اضافه کنند، اما می‌توانند پیچیدگی مدل، هزینه محاسبات و احتمال Overfitting یا مشکلات مربوط به داده را نیز افزایش دهند.

چرا Featureهای دسته‌ای باید به عدد تبدیل شوند؟

بسیاری از الگوریتم‌ها برای آموزش به نمایش عددی Featureها نیاز دارند؛ بنابراین Featureهای متنی و دسته‌ای معمولاً باید به نمایش عددی مناسب تبدیل شوند.

آیا اهمیت بالای یک Feature به معنی رابطه علت و معلولی است؟

خیر. اهمیت یک Feature در مدل نشان می‌دهد که آن Feature در پیش‌بینی مدل نقش داشته است، اما به‌تنهایی اثبات‌کننده رابطه علت و معلولی نیست.

جمع‌بندی

Feature یکی از پایه‌ای‌ترین مفاهیم در یادگیری ماشین است. Featureها همان اطلاعات ورودی هستند که مدل از آن‌ها برای یادگیری الگوها و تولید پیش‌بینی استفاده می‌کند.

اما استفاده از Feature فقط به انتخاب چند ستون از یک دیتاست محدود نمی‌شود. در یک پروژه واقعی ممکن است لازم باشد داده‌های خام به Featureهای مناسب تبدیل شوند، Featureهای جدید ایجاد شوند، داده‌های دسته‌ای کدگذاری شوند، برخی Featureها مقیاس‌بندی شوند و Featureهای کم‌فایده حذف شوند.

در نهایت، هدف این نیست که بیشترین تعداد Feature را در اختیار مدل قرار دهیم؛ بلکه باید Featureهایی را انتخاب یا ایجاد کنیم که مرتبط، قابل‌دسترسی در زمان پیش‌بینی، باکیفیت و متناسب با مسئله و الگوریتم مورد استفاده باشند.

اگر در حال یادگیری یادگیری ماشین هستید، شناخت Featureها یکی از قدم‌های مهم برای درک بهتر فرایند ساخت مدل است.