TIBBIY TASHXIS QILISH MASALALARINI YECHISHDA INTELLEKTUAL TAHLIL USULLARI ANSAMBLLARIDAN FOYDALANISH

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 the ensemble 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 1 31 8 International scientific journal ISSN: 2181-3906 «MODERN SCIENCE АND RESEARCH» 2025 VOLUME 4 / ISSUE 5 / UIF:8.2 / MODERNSCIENCE.UZ 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 juda muhim bo‘lganda va murakkab alomatlar mavjud bo‘lsa foydalanish 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 + 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‘zi yaxshi ishlamaganda foydalaniladi. Quyida ansambl usullarining xususiyatlari va imkoniyatlarini taqqoslashni amalga oshiramiz(1-jadval): Ansambl turi Tezlik Aniqlik Ma'lumot turi Random Forest Tez Yuqori O‘rtacha hajmli, strukturalangan XGBoost O‘rtacha Juda yuqori Katta hajmli, murakkab ma’lumot LightGBM Juda tez Yuqori Juda katta hajmli ma’lumot CatBoost O‘rtacha Yuqori Kategorik ma’lumotlar Stacking Sekin Eng yuqori Murakkab model ansambli Voting Ensemble O‘rtacha Yuqori Har xil modellar birlashganda Jadvalda keltirilgan ma’lumotlardan kelib chiqib, quyidagi xulosalarga kelamiz: – LightGBM + Voting ansambli eng tez va aniq 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’lumotlar bilan ishlaganda Stacking yoki Deep Learning ansambllaridan foydalanish mumkin. 1 31 9 International scientific journal ISSN: 2181-3906 «MODERN SCIENCE АND RESEARCH» 2025 VOLUME 4 / ISSUE 5 / UIF:8.2 / MODERNSCIENCE.UZ 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 usullarini qo‘llashni ko‘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‘rinishida shakllantirilgan. Stacking. Klassifikatsiya hisoboti: precision recall f1-score support 0 0.80 0.86 0.83