Page 72
CENTRAL ASIAN JOURNAL OF MULTIDISCIPLINARY
RESEARCH AND MANAGEMENT STUDIES
Volume 2, Issue 6, Part 2 June 2025
www.in-academy.uz
INTELLEKTUAL TAHLIL USULLARI ANSAMBLLARINI
TIBBIY TASHXIS MASALALARINI YECHISHDA QO’LLASH
VA TADBIQ QILISH
To‘rayev Jo‘rabek Nurbek o‘g‘li
Iqtisodiyot va pedagogika universiteti “Matematika” kafedrasi
stajyor-assistenti. Email: 0511jurabek@gmail.com, tel:
(+99891)-2224318
https://doi.org/
10.5281/zenodo.15720155
ARTICLE INFO
ABSTRACT
Received: 11
th
June 2025
Accepted:15th June 2025
Published: 23
rd
June 2025
Maqolada
tibbiy
tashxis
qilish
jarayonida
qo‘llaniladigan ko‘p sinfli klassifikatsiya masalalarini
yechish uchun ansamblli o‘rganish yondashuvlaridan
foydalanish masalasi qaralgan. Stacking, Random Forest
va LightGBM ansambl usullaridan foydalanib o‘quv
tanlanmalaridagi klassifikatsiya aniqligini hisoblash kabi
ishlar natija sifatida olingan.
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 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.
Page 73
CENTRAL ASIAN JOURNAL OF MULTIDISCIPLINARY
RESEARCH AND MANAGEMENT STUDIES
Volume 2, Issue 6, Part 2 June 2025
www.in-academy.uz
Quyida ansambl usullarining xususiyatlari va imkoniyatlarini taqqoslashni amalga
oshiramiz(1-jadval):
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.
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
99
1
0.71 0.62 0.66
55
accuracy
0.77
154
macro avg
0.76 0.74 0.74
154
weighted avg
0.77 0.77 0.77
154
Random Forest. Klassifikatsiya hisobot:
precision recall f1-score support
0
0.79 0.78 0.78
99
1
0.61 0.62 0.61
55
accuracy
0.72
154
macro avg
0.70 0.70 0.70
154
weighted avg
0.72 0.72 0.72
154
LightGBM. Klassifikatsiya hisobot:
precision recall f1-score support
0
0.81 0.74 0.77
99
1
0.59 0.69 0.64
55
accuracy
0.72
154
macro avg
0.70 0.71 0.71
154
weighted avg
0.73 0.72 0.72
154
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
Page 74
CENTRAL ASIAN JOURNAL OF MULTIDISCIPLINARY
RESEARCH AND MANAGEMENT STUDIES
Volume 2, Issue 6, Part 2 June 2025
www.in-academy.uz
olingan natijalar shuni ko‘rsatadiki, stackingda aniqlik yuqori, random forest va lightgbmda
aniqlik biroz past bo‘lsada algoritmlarning ishlash tezligi va samaradorligini ko‘rish mumkin.
Xulosa.
Yuqorida ko‘rib chiqilgan usullardan foydalanib, o‘quv tanlanmalaridan informativ
alomatlar fazosini shakllantirish, tanlanmaning klassifikatsiya aniqligini hisoblash, ko‘p sinfli
klassifikatsiya masalalarini yechish kabi bir qator keng qo‘llanmaga ega bo‘lgan masalalarni
hal etish mumkin.
Olingan natijalardan tibbiy tashxis qilish masalalarida foydalaniladigan o‘quv
tanlanmalaridagi informativ alomatlarni aniqlash, tanlanmalarning klassifikatsiya aniqligini
hisoblash uchun foydalanilganda yuqori aniqlikda tashxis qiluvchi dasturiy vositalar ishlab
chiqish imkoniyati tug‘iladi.
Adabiyotlar:
1.
Ignatov N.A., Madrahimov Sh.F. “Berilganlarning intellektual tahlili “
2.
Григорьева Г.М. Реализация методов интеллектуального анализа данных в
медицинской практике / Г.М.Григорьева, В.Ю. Ходченков // Системы компьютерной
математики и их приложения. – 2018. – № 19. – С.124-129.
3.
Asqar, M., & Jorabek, T. (2024).
KOSHI MASALASI YECHIMINING TURG’UNLIGI. JOURNAL
OF THEORY, MATHEMATICS AND PHYSICS, 3 (10), 3–5
.
4.
Toʻrayev, J. ., Z. Temirova. “FUNKSIYANING EGILISH NUQTALARI”.
Zamonaviy fan va
tadqiqotlar
, jild. 4, yo'q. 4, aprel 2025 yil, 1359-63-betlar,
https://inlibrary.uz/index.php/science-research/article/view/82740
.
5.
To‘rayev , J. ., and U. . Shonazarov. “TIBBIY TASHXIS QILISH MASALALARINI
YECHISHDA INTELLEKTUAL TAHLIL USULLARI ANSAMBLLARIDAN FOYDALANISH”.
Modern
Science
and
Research
,
vol.
4,
no.
5,
May
2025,
pp.
1318-21,
https://inlibrary.uz/index.php/science-research/article/view/92750
.
6.
Bozarov, D. (2023). Bo ‘lajak iqtisodchi talabalarning iqtisodiy kompetensiyasini
rivojlantirishning matematik tahlili.
Академические исследования в современной
науке
,
2
(27), 84-90.
7.
Bozarov, D. (2022). CHIZIQLI VA KVADRATIK MODELLASHTIRISH MAVZUSINI
MUSTAQIL O‘RGANISHGA DOIR MISOLLAR.
Евразийский журнал математической теории
и компьютерных наук
,
2
(6), 24-28.
8.
Bozarov, D., & Rahmonov, B. (2024). Kombinatorikaning paydo bo ‘lishi va hayotiy
masalalarga tadbiqi.
Modern Science and Research
,
3
(6).
9.
Uralovich, B. D. (2022). CHIZIQLI ALGEBRAIK TENGLAMALAR SISTEMALARIGA OID
MASALALAR.
Science and innovation
,
1
(A2), 163-171.
10.
Bozarov, D. (2025). EKONOMETRIYADA CHIZIQLI VA CHIZIQSIZ REGRESSIYA
MODELLARINING MATEMATIK TAHLILI.
Modern Science and Research
,
4
(4), 1020-1025.
