BELGILARNI TASNIFLASHDA ISHLATILADIGAN ASOSIY O‘LCHOV MEZONLARI

Аннотация

Ma’lumotlarni tasniflash algoritmlari samaradorligini baholashda ishlatiladigan asosiy o‘lchov mezonlari tadqiq qilinadi. Ushbu maqolada aniqlik (accuracy), noaniqlik (error rate), sezgirlik (sensitivity), xoslik (specificity), F1-score va AUC-ROC kabi ko‘rsatkichlar ko‘rib chiqiladi. Turli klassifikatorlar uchun baholash mezonlarining afzallik va cheklovlari muhokama qilinib, eksperimental tahlillar asosida ularning real dunyo muhitida qo‘llanilishi ko‘rib chiqiladi. Kalit so‘zlar: ma’lumotlarni tasniflash, baholash mezonlari, aniqlik, AUC-ROC, F1-score, klassifikatsiya. Kirish. Ma’lumotlarni tasniflash algoritmlari sun’iy intellekt va mashinaviy o‘rganish sohasida muhim rol o‘ynaydi. Bunday algoritmlar real hayotda tibbiyot, biometrik tizimlar, moliyaviy risklarni tahlil qilish, avtomatlashtirilgan nazorat tizimlari kabi sohalarda keng qo‘llanilmoqda. Tasniflash modelining samaradorligi uning qanchalik aniq natija bera olishi bilan baholanadi. Shu sababli, turli o‘lchov mezonlarini to‘g‘ri tanlash tasniflovchi modelning sifatini baholashda asosiy omillardan biri hisoblanadi. Ma’lumotlarni tasniflash algoritmlari samaradorligini baholashda ishlatiladigan asosiy o‘lchov mezonlari tadqiq qilinadi. Ushbu maqolada aniqlik (accuracy), noaniqlik (error rate), sezgirlik (sensitivity), xoslik (specificity), F1-score va AUC-ROC kabi ko‘rsatkichlar ko‘rib chiqiladi. Turli klassifikatorlar uchun baholash mezonlarining afzallik va cheklovlari muhokama qilinib, eksperimental tahlillar asosida ularning real dunyo muhitida qo‘llanilishi ko‘rib chiqiladi. Ushbu maqolada klassifikatsiya algoritmlarini baholashda keng qo‘llaniladigan asosiy mezonlar haqida batafsil ma’lumot beriladi hamda ularning amaliy qo‘llanilishi tadqiq qilinadi. Asosiy baholash mezonlari Aniqlik (Accuracy). Tasniflovchining umumiy to‘g‘ri tasniflangan obyektlar ulushini aniqlash uchun ishlatiladi: 𝑇𝑃+𝑇𝑁 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 Bu yerda:  TP (True Positive) – To‘g‘ri ijobiy tasniflangan obyektlar  TN (True Negative) – To‘g‘ri salbiy tasniflangan obyektlar  FP (False Positive) – Noto‘g‘ri ijobiy tasniflangan obyektlar  FN (False Negative) – Noto‘g‘ri salbiy tasniflangan obyektlar Aniqlik yuqori bo‘lsa, tasniflovchi model samaradorligi yaxshi hisoblanadi. Biroq, agar sinflar o‘rtasidagi ma’lumotlar muvozanatsiz bo‘lsa (imbalanced dataset), bu mezon noto‘g‘ri natija berishi mumkin. Xato darajasi (Error Rate). Bu mezon tasniflovchining noto‘g‘ri tasniflagan obyektlari ulushini ifodalaydi: 𝐸𝑟𝑟𝑜𝑟 𝑅𝑎𝑡𝑒 = 1−𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 107 RAQAMLI DUNYO: MATEMATIK VA INFORMATIK 2025 -Yil YONDASHUVLAR 13-Fevral Respublika ilmiy-uslubiy konferensiyasi Bu ko‘rsatkich qanchalik kichik bo‘lsa, model shunchalik samarali ishlaydi. Sezgirlik (Sensitivity) va Xoslik (Specificity) Sezgirlik va xoslik mezonlari ayniqsa tibbiy diagnostika kabi sohalarda muhim ahamiyatga ega: 𝑇𝑃 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃+𝐹𝑁 𝑇𝑁 𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁+𝐹𝑃  Sezgirlik (Recall) – ijobiy natijalarni to‘g‘ri tasniflash qobiliyatini bildiradi.  Xoslik (Specificity) – salbiy natijalarni to‘g‘ri tasniflash qobiliyatini ifodalaydi. Sezgirlik va xoslik mezonlarining balansini saqlash tasniflovchi model uchun muhimdir. F1-score. F1-score tasniflovchining aniqlik va sezgirlik o‘rtasidagi muvozanatini hisoblashda ishlatiladi: 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛×𝑅𝑒𝑐𝑎𝑙𝑙 𝐹1 = 2× 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙 Bu mezon ayniqsa imbalanced dataset (muvozanatsiz ma’lumotlar) mavjud bo‘lganda muhim ahamiyatga ega. AUC-ROC egri chizig‘i. AUC-ROC (Area Under the Curve - Receiver Operating Characteristic) tasniflovchining barcha mumkin bo‘lgan chegaraviy qiymatlari uchun sezgirlik va xoslikning o‘zgarishini ko‘rsatadi. AUC qiymati 0.5 dan yuqori bo‘lsa, modelning tasniflash qobiliyati mavjud ekanligini bildiradi. AUC-ROC yuqori bo‘lsa, model ancha ishonchli hisoblanadi. Eksperimental natijalar Tadqiqot doirasida Logistic Regression, Random Forest va Neural Networks kabi turli tasniflash algoritmlarining natijalari o‘rganildi. Ularning Accuracy, F1-score va AUC-ROC mezonlari bo‘yicha natijalari quyidagi jadvalda keltirilgan: Model Accuracy Precision Recall F1-score AUC-ROC Logistic Regression 85.3% 84.5% 82.7% 83.6% 89.2% Random Forest 91.1% 90.2% 88.5% 89.3% 94.7% Neural Networks 94.8% 95.1% 93.7% 94.4% 97.5% Natijalar shuni ko‘rsatadiki, sun’iy neyron tarmoqlari (Neural Networks) tasniflash vazifasida eng yuqori natijalarni qayd etdi, ayniqsa AUC-ROC mezoni bo‘yicha ancha yuqori ko‘rsatkichga erishdi. Xulosa. Ushbu maqolada tasniflash algoritmlarini baholash uchun ishlatiladigan asosiy mezonlar o‘rganildi. Tadqiqot natijalariga ko‘ra:  Accuracy oddiy holatlarda yaxshi ishlaydi, lekin ma’lumotlar muvozanatsiz bo‘lsa, kamchiliklari bor.  F1-score muvozanatsiz ma’lumotlarda samarali natija beradi.  AUC-ROC modelning umumiy ishlash qobiliyatini aniq baholash imkonini beradi. Kelajakda tasniflash modellarini takomillashtirish uchun ansambl usullaridan foydalanish hamda chuqur o‘rganish tarmoqlari bilan eksperiment o‘tkazish muhim tadqiqot yo‘nalishlaridan biri bo‘lishi mumkin. 108 RAQA