Научные статьиM.H.Sayidova, S.U.Pulatova2025
Meyliyev JamshidAlisherovich
TIBBIYTASHXISQILISHMASALALARINI YECHISHDAINTELLEKTUAL TAHLIL · USULLARI ANSAMBLLARIDANFOYDALANISH · Shonazarov UchqunNurbek o’g’li · Maxmasoatov Muhiddin G’ayrat o’g’li · Meyliyev JamshidAlisherovich
Международный научный журнал · 3 · 2025
Аннотация
The article deals with the use of ensemble learning approaches to solve multi-class classification problems used in medical diagnosis. The results include calculating the classification accuracy of training samples using theensemble methods Stacking, Random Forest and LightGBM. Keywords: Ensemble learning, bagging, random forest, Boosting, XGBoost, LightGBM, CatBoost. Kirish. Tibbiy tashxis qilish jarayonida qo’llaniladigan ko‘p sinfli klassifikatsiya masalalarini yechish uchun ansamblli o‘rganish (ensemble learning) yondashuvlaridan foydalanish yuqori aniqlik va yuqori tezlikni ta’minlaydi. Ushbu usullardan foydalanib tibbiy tashxis qilishni amalga oshiruvchi dasturiy vositalar ishlab chiqish va bu dasturiy vositalar uchun xizmat qiluvchi o’quv tanlanmalarini shakllantirish masalalarini yechish mumkin. Hozirgi kunda keng foydalanilayotgan samarali ansambl usullari hamda ularning kombinatsiyalarini quyida keltiramiz: Bagging (Bootstrap Aggregating) va Random Forest algoritmlari ansambli – bu ansambl yuqori aniqlik va turg’unlikka ega. Bunda har bir daraxt mustaqil ravishda o‘rgatiladi, bu esa ortiqcha moslashish (overfitting) muammosini kamaytiradi. Shuningdek bu usul parallel ishlov berish imkoniyatiga egaligi sababli yuqori tezlikda ishlay oladi. Bu algoritmdan o’quv tanlanmasidagi ma’lumotlar katta hajmda bo‘lganda va unda o‘rtacha murakkablikka ega alomatlar mavjud bo‘lganda foydalanish maqsadga muvofiq. Boosting va XGBoost / LightGBM / CatBoost – bu ansamblda XGBoost(Ekstremal gradient boosting) tezlik va aniqlik bo‘yicha samarali hisoblanadi, LightGBM katta hajmli o’quv tanlanmasiga moslashgan bo’lib, u tezkor hamda kam resurs talab qiladi, CatBoost kategoriyali ma’lumotlar bilan samarali ishlaydi, unda kam moslashuvchanlik(overfitting) muammosi mavjud. Bu ansambldan aniqlik judamuhim bo‘lgandava murakkab alomatlarmavjud bo‘lsafoydalanish maqsadga muvofiq. Stacking (Stacked Generalization) va Meta Learning – bu ansambl turli model ansambllarini birlashtirish orqali samarali bashorat qilish imkoniyatini beradi. Misol uchun bu yerda Random Forest + www.wordlyjournals.com AXBOROTTEXNALOGIYALARIVAMENEJMENTUNIVERSITETI INTERNATIONAL JOURNAL OFSCIENCE ScientificBulletin ISSN:306-4583 VOLUME 3,ISSUE1,2025 XGBoost + LightGBM kombinatsiyasini qo‘llash mumkin. Bu algoritmlardan model kombinatsiyasidan optimal ansambl yaratish kerak bo‘lgan hollarda va alomatlar turli toifaga tegishli bo’lganda foydalanish tavsiya etiladi. Voting Ensemble (Hard Voting yoki Soft Voting) – bu ansambl bir nechta model natijasini birlashtirib, eng yaxshi natijaviy bashoratni tanlaydi. Hard Votingda har bir modelning bergan ovoziga ko’ra eng ko‘p ovoz olgan sinf tanlanadi. Soft Voting har bir modelning ehtimolligini hisoblaydi. Bunda eng katta ehtimollik tanlanadi. Bu ansambldan turli toifadagi modellarning birlashuvi natijani yaxshilashi mumkin bo’lganda va model yakka o’ziyaxshi ishlamaganda foydalaniladi. Quyida ansambl usullariningxususiyatlari vaimkoniyatlarini taqqoslashni amalga oshiramiz(1-jadval): Ansambl turi Tezlik Aniqlik Ma'lumot turi Random Forest Tez Yuqori O‘rtacha hajmli,strukturalangan XGBoost O‘rtacha Judayuqori Katta hajmli,murakkab ma’lumot Jadvalda keltirilgan LightGBM Judatez Yuqori Judakatta hajmlima’lumot CatBoost O‘rtacha Yuqori Kategorik ma’lumotlar Stacking Sekin Eng yuqori Murakkab model ansambli Voting Ensemble O‘rtacha Yuqori Har xil modellarbirlashganda ma’lumotlardan kelib chiqib, quyidagi xulosalarga kelamiz: – LightGBM +Voting ansambli eng tez vaaniq ishlovchi hisoblanadi; – Stacking (Random Forest + XGBoost + LightGBM + Meta Model) ansambli yuqori aniqlikni ta’minlaydi; – Voting +(XGBoost yoki LightGBM) ansambli samaradorligi yuqori hisoblanadi. Yuqorida keltirilgan ansambllardan birini tanlash uchun quyidagilarni hisobga olish kerak bo’ladi. Yuqori aniqlik talab etilganda Stacking yoki XGBoostdan, yuqori samaradorlik va tezlikka ehtiyoj sezilganda LightGBM yoki Random Forest, kategoriyali ma’lumotlar bilan ishlashda CatBoost, murakkab strukturali ma’lumotlarbilan ishlaganda Stacking yoki Deep Learning ansambllaridan foydalanish mumkin. Ansambl usullarini qo’llashga misol sifatida diabetes [https://www.kaggle.com/datasets/akshaydattatraykhare/diabetes-dataset] o’quv tanlanmasining klassifikatsiya aniqligini hisoblash hamda unga mos chalkashlik matritsasini ansambl metodlari yordamida hosil qilishga ansambl usullariniqo’llashniko’ramiz. Diabetesda 768 ta mijoz haqida ma’lmotlar joylashgan bo’lib, har bir mijoz uchun unda qand kasalligining bor yoki yo’qligini aniqlashga mo’ljallangan 8 ta tahlil natijalari hamda kasallik bor yoki yo’qligini bildiruvchi(0 yo’q, 1 bor) sinf mavjud, ya’ni tanlanma768 ta satr, 9ta ustundan iborat jadval ko’rinishidashakllantirilgan. www.wordlyjournals.com AXBOROTTEXNALOGIYALARIVAMENEJMENTUNIVERSITETI INTERNATIONAL JOURNAL OFSCIENCE ScientificBulletin ISSN:306-4583 VOLUME 3,ISSUE1,2025 Stacking. Klassifikatsiya hisoboti: precision recall f1-score support 0 0.80 0.86
Доказательный фрагмент
«The article deals with the use of ensemble learning approaches to solve multi-class classification problems used in medical diagnosis.»
Образец извлечения
Демо-превьюThe article deals with the use of ensemble learning approaches to solve multi-class classification problems used in medical diagnosis. Полный текст публикации CiteX не хранит — доступ к первоисточнику открывается по DOI согласно лицензии издателя и выбранному плану.
- Цитирований
- 0
- Тип
- Журнал
- Страна
- Узбекистан
- Ключевые слова
- Ensemble learning, bagging, random forest, Boosting, XGBoost, LightGBM, CatBoost, CatBoost.
Смежные источники
Общество и инновацииKhosiyat MAMATKULOVA2024
Академические исследования в современной наукеKhudaiberdiyeva Arafat Israilovna, Ph.D Professor hudayberdiyevaarofat@gmail.com +12026
Научные статьиI.B.Yangiboyev, E.X.Berdanov +22025