Line Plot

সহজ ভাষায়

সংখ্যার table দেখে pattern বোঝা কঠিন। একটা graph এক নজরে বলে দেয় কী হচ্ছে। Matplotlib হলো Python-এর সবচেয়ে মৌলিক graph library — Pandas আর Seaborn-এর plotting-ও ভেতরে এটাই।

• fig — পুরো ছবি
• ax — ছবির ভেতরের plot-এর জায়গা (axes)
• ax.plot(x, y) — line আঁকে

Graph-এর লেখা English-এ রাখো। Matplotlib-এর default font-এ বাংলা অক্ষর নেই, আর বাংলা যুক্তাক্ষর ঠিকমতো জোড়া দিতেও পারে না। আন্তর্জাতিক convention-ও তাই — report আর paper-এর graph সাধারণত English-এ।

কেন দরকার?

• Training monitor — loss কমছে কিনা, overfitting হচ্ছে কিনা (আজকের মূল উদাহরণ)
• Data exploration — model বানানোর আগে data বোঝা
• ফলাফল বোঝানো — boss, client বা paper-এ একটা ভালো graph হাজার সংখ্যার চেয়ে কার্যকর

দুটো style: plt. বনাম ax.

অনলাইনে দুই ধরনের code দেখবে:

দ্বিতীয়টা (fig, ax) ব্যবহার করো — একাধিক graph-এ কোনটায় আঁকছো স্পষ্ট থাকে। লক্ষ্য করো নাম: plt.title() কিন্তু ax.set_title()।

Line-কে সাজানো

Parameter	উদাহরণ
color	"red", "#059669"
linestyle	"-", "--", ":"
linewidth	2
marker	"o", "s", "^"
label	legend-এর জন্য নাম
alpha	স্বচ্ছতা 0–1

Math intuition: overfitting দেখা

শুরুতে:     দুটোই কমছে        -> model শিখছে (underfitting থেকে বেরিয়ে আসছে)
মাঝখানে:   validation সবচেয়ে কম -> সেরা model, এখানেই থামা উচিত
শেষে:      train কমছে, val বাড়ছে -> overfitting: training data মুখস্থ করছে

এই graph-টা চিনতে পারা ML-এর সবচেয়ে মৌলিক skill-গুলোর একটা। Interview-তে প্রায় নিশ্চিত প্রশ্ন।

Exercise

Exercise

Loss curve আঁকো

+20 XP

একটা model-এর ১০ epoch-এর training আর validation loss দেওয়া আছে। fig, ax = plt.subplots() দিয়ে একটা graph বানাও যেখানে:

• দুটো line — label="train" আর label="validation"
• x-axis label "epoch", y-axis label "loss"
• title "Training curve"
• একটা legend

solution.pyশুধু RunSubmit

import matplotlib.pyplot as plt epochs = list(range(1, 11)) train_loss = [0.92, 0.71, 0.58, 0.49, 0.42, 0.37, 0.33, 0.30, 0.27, 0.25] val_loss = [0.95, 0.76, 0.64, 0.57, 0.53, 0.52, 0.53, 0.56, 0.60, 0.65] fig, ax = plt.subplots() # এখানে আঁকো

Hint দেখাওSolution দেখো

Quiz

1. Q1Training loss কমছে কিন্তু validation loss বাড়ছে — এর মানে কী?

   Model আরও ভালো শিখছেOverfitting — model training data মুখস্থ করছে, নতুন data-য় খারাপ করছেLearning rate খুব ছোট
2. Q2fig, ax = plt.subplots()-এ fig আর ax কী?

   দুটো আলাদা graphfig পুরো ছবি (canvas); ax তার ভেতরের একটা plot এলাকা, যেখানে line আঁকা হয়fig data, ax axis label
3. Q3দুটো line-এর কোনটা কী বোঝাতে কী লাগে?

   প্রতিটা plot-এ label=... আর শেষে ax.legend()ax.set_title দুবারশুধু আলাদা রং

0/3 answeredউত্তর যাচাই করো →

Challenge

Challenge

সেরা epoch চিহ্নিত করো

+50 XP

Validation loss যেখানে সবচেয়ে কম, সেখানেই model সবচেয়ে ভালো — তার পরে overfitting শুরু। এটা early stopping-এর মূল ধারণা।

1. best_epoch — যে epoch-এ val_loss সবচেয়ে কম (epoch নম্বর, index না)
2. fig, ax = plt.subplots() দিয়ে val_loss-এর line আঁকো
3. best_epoch-এ একটা খাড়া dashed line (ax.axvline(..., linestyle="--"))
4. Title: f"Best epoch: {best_epoch}"

best_epoch data থেকে হিসাব করো, হাতে লিখো না।

solution.pyশুধু RunSubmit

import numpy as np import matplotlib.pyplot as plt epochs = np.arange(1, 11) val_loss = np.array([0.95, 0.76, 0.64, 0.57, 0.53, 0.52, 0.53, 0.56, 0.60, 0.65]) best_epoch = None fig, ax = plt.subplots()

Hint দেখাওSolution দেখো

বাস্তবে কোথায় ব্যবহার হয়?

Learning rate তুলনা — একই model, তিনটা আলাদা learning rate। কোনটা বেছে নেবে?

• বেশি — loss লাফালাফি করে, কখনো স্থির হয় না
• কম — খুব ধীরে নামে, ৩০ epoch-এও শেষ হয় না
• ঠিকঠাক — দ্রুত নামে, তারপর স্থির

Weights & Biases, TensorBoard, MLflow — সব experiment tracking tool মূলত এরকম line plot দেখায়।

Interview প্রশ্ন

• Beginner: Training আর validation loss-এর graph দেখে overfitting কীভাবে চিনবে?
• Intermediate: Underfitting দেখতে কেমন? Overfitting আর underfitting-এর সমাধান কী কী?
• Advanced: Validation loss বাড়ছে কিন্তু validation accuracy-ও বাড়ছে — এটা কীভাবে সম্ভব? (Model আত্মবিশ্বাসী ভুল করছে — calibration সমস্যা।)

এরপর কী?

Line plot দেখায় সময়ের সাথে পরিবর্তন। কিন্তু দুটো জিনিসের মধ্যে সম্পর্ক — বাড়ির আয়তন বনাম দাম? পরের lesson: Scatter Plot।