209
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
KO‘P XUSUSIYATLI MASHINALI O‘QITISH MODELLARIDAN FOYDALANIB
INFLYATSIYANI BASHORATLASH
Mallayev Oybek Usmankulovich
Alfraganus University Raqamli texnologiyalar kafedrasi professori.
E-mail:
O‘roqov Asliddin Doniyorjon o‘g‘li
Perfect University Iqtisodiyot fakulteti tyutori.
E-mail:
https://doi.org/10.5281/zenodo.15845152
Annotatsiya. Maqolad O‘zbekistonning inflyatsion jarayonlarini bashoratlash uchun
nazorat ostidagi mashinali o‘qitish (supervised learning) algoritmlaridan biri - ko‘p xususiyatli
chiziqli regressiya (multi-feature linear regression) modeli ishlab chiqildi. Inflyatsiya darajasini
faqat vaqt (yil) omiliga asoslanib baholash juda cheklangan yondashuv bo‘lib, iqtisodiy
o‘zgarishlarga ta’sir etuvchi asosiy omillarni e’tibordan chetda qoldiradi. Shuning uchun
modelga inflyatsiyaga sezilarli ta’sir ko‘rsatadigan bir nechta omillar: iste’mol narxlari indeksi
(CPI), ish haqi o‘sish sur’ati, ishssizlik darajasi va valyuta kursi kabi xususiyatlar joriy qilindi.
Model uchun tarixiy ma’lumotlar asosida yaratilgan sun’iy inflation_multi_feature.csv
fayli ishlatildi. O‘qitilgan modelda R² koeffitsienti 0.847 qiymatni ko‘rsatdi, bu esa
inflyatsiyadagi o‘zgarishlarning 84.7 foizini tushuntira olishini bildiradi. MSE (Mean Squared
Error) esa atigi 1.48 bo‘ldi. Bu natijalar shuni ko‘rsatadiki, bir nechta omillarni hisobga olgan
holda qurilgan regressiya modeli ancha yuqori aniqlikka ega bo‘ldi.
Tadqiqot natijalari inflyatsiya prognozlashda faqat vaqt parametriga tayanish emas,
balki iqtisodiy faoliyatni har tomonlama tavsiflovchi ko‘rsatkichlarni tahlil qilish zarurligini
isbotlaydi. Ushbu model hukumat siyosatida, byudjet rejalashtirishda va bank sektorining
monetar siyosatini shakllantirishda yordam berishi mumkin. Keyingi bosqichda modelga vaqt
qatori (time-series) modellarini integratsiya qilish va real statistik ma’lumotlar bilan sinovdan
o‘tkazish rejalashtirilmoqda.
Kalit so‘zlar: Sun’iy intellekt, iqtisodiy jarayonlar, mashinaviy o‘rganish(machine
learning), MSE, supervised learning.
ПРОГНОЗИРОВАНИЕ ИНФЛЯЦИИ С ИСПОЛЬЗОВАНИЕМ
МНОГОФУНКЦИОНАЛЬНЫХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ
Аннотация. В статье разработана модель многофункциональной линейной
регрессии, одного из алгоритмов машинного обучения с учителем, для прогнозирования
инфляционных процессов в Узбекистане. Оценка уровня инфляции только на основе
фактора времени (года) является весьма ограниченным подходом и игнорирует основные
факторы, влияющие на экономические изменения. Поэтому в модель были введены
несколько факторов, которые существенно влияют на инфляцию: индекс
потребительских цен (ИПЦ), темп роста заработной платы, уровень безработицы и
обменный курс.
Для модели использовался искусственный файл inflation_multi_feature.csv,
созданный на основе исторических данных. Коэффициент R² в обученной модели показал
значение 0,847, что означает, что она может объяснить 84,7 процента изменений
инфляции. MSE (средняя квадратичная ошибка) составила всего 1,48. Эти результаты
показывают, что регрессионная модель, построенная с учетом нескольких факторов,
имеет гораздо более высокую точность.
210
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Результаты исследования доказывают, что при прогнозировании инфляции
необходимо анализировать показатели, комплексно характеризующие экономическую
активность, а не полагаться только на временной параметр. Данная модель может
помочь в государственной политике, бюджетном планировании и формировании
денежно-кредитной политики банковского сектора. На следующем этапе планируется
интегрировать в модель модели временных рядов и протестировать ее на реальных
статистических данных.
Ключевые слова: Искусственный интеллект, экономические процессы, машинное
обучение, MSE, контролируемое обучение.
INFLATION FORECASTING USING MULTIFUNCTIONAL MACHINE LEARNING
MODELS
Abstract. The article develops a model of multi-feature linear regression, one of the
algorithms of machine learning with a teacher, for forecasting inflation processes in Uzbekistan.
Estimating the inflation rate based only on the time (year) factor is a very limited
approach and ignores the main factors affecting economic changes. Therefore, several factors
that significantly affect inflation were introduced into the model: the consumer price index
(CPI), the wage growth rate, the unemployment rate and the exchange rate.
The model used an artificial inflation_multi_feature.csv file created based on historical
data. The R² coefficient in the trained model showed a value of 0.847, which means that it can
explain 84.7 percent of inflation changes. The MSE (root mean square error) was only 1.48.
These results show that the regression model built taking into account several factors has
a much higher accuracy.
The results of the study prove that when forecasting inflation, it is necessary to analyze
indicators that comprehensively characterize economic activity, and not rely only on the time
parameter. This model can help in public policy, budget planning and the formation of monetary
policy in the banking sector. At the next stage, it is planned to integrate time series models into
the model and test it on real statistical data.
Keywords: Artificial intelligence, economic processes, machine learning, MSE,
supervised learning.
KIRISH
Inflyatsiya har bir iqtisodiyot uchun strategik ahamiyatga ega ko‘rsatkichlardan biridir.
Uning nazorat qilinishi nafaqat aholining ijtimoiy farovonligi, balki makroiqtisodiy
barqarorlikni ta’minlashda ham muhim rol o‘ynaydi. O‘zbekiston iqtisodiyotida so‘nggi yillarda
narxlar o‘sishi, valyuta kursidagi o‘zgarishlar, import/eksport hajmining o‘zgaruvchanligi
inflyatsiyaning noaniq tus olishiga sabab bo‘lmoqda. Shu sababli, inflyatsiyani aniq prognozlash
mexanizmlarini ishlab chiqish bugungi kunda dolzarb vazifa bo‘lib qolmoqda [1].
Ushbu maqolada mashinali o‘qitish (machine learning) metodologiyasi, xususan, nazorat
ostidagi ko‘p o‘zgaruvchili chiziqli regressiya modeli yordamida inflyatsiyani prognozlash
masalasi ko‘rib chiqiladi. Bu yondashuvda inflyatsiyaga ta’sir qiluvchi bir nechta iqtisodiy
ko‘rsatkichlar (CPI, ish haqi o‘sishi, ishssizlik darajasi, valyuta kursi) hisobga olinadi [2].
Maqsad – an’anaviy prognozlash usullariga nisbatan yuqori aniqlikdagi model qurish va
uni amaliyotga tadbiq qilish imkoniyatlarini ko‘rsatishdir.
Murakkab iqtisodiy jarayonlarni mashinali o‘qitish (machine learning - ML) algoritmlari
asosida bashoratlash (prognozlash) - bu real iqtisodiy ko‘rsatkichlar, moliyaviy oqimlar, bozor
211
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
narxlari, inflyatsiya, investitsiya oqimlari, iste’mol xarajatlari va boshqa ko‘plab iqtisodiy
omillarni oldindan aniqlash uchun sun’iy intellekt (AI) texnologiyalaridan foydalanishdir [3, 4,
5].
Quyida iqtisodiy jariyonlar va SI algoritmalrining umumiy tahlil hamda bashoratlash
usullari keltirilgan.
Murakkab iqtisodiy jarayonlar bu:
•
Iqtisodiy ko‘rsatkichlar (YaIM, inflyatsiya, ish o‘rinlari soni, foiz stavkalari),
•
Bozorlararo o‘zaro bog‘liqlik (birja narxlari, valyuta kurslari),
•
Ijtimoiy-iqtisodiy omillar (aholining daromadi, iste’molchi ishonchi),
•
Global shoklar (urushlar, pandemiyalar, siyosiy beqarorlik) kabi o‘zgaruvchan, noaniq va
ko‘p omilli tizimlardir.
Mashinali o‘qitish algoritmlari asosida bashoratlashning afzalliklariga quyidagilarni
misol qilish mumkin:
•
Murakkab jarayonlarni bog‘liqlik darajalarini aniqlash bo‘yicha ML algoritmlar tarixiy
ma’lumotlardagi murakkab va chiziqli bo‘lmagan bog‘liqliklarni aniqlay oladi.
•
Doimiy o‘zgarishga moslashuvchanlikni aniqlash bo‘yicha taklif qilinayotgan model
yangi ma’lumotlar bilan doimiy yangilanib borishi kerak.
•
Real vaqtda bashoratlash uchun yirik hajmdagi ma’lumotlar zarur bo‘ladi. Ular asosida
esa real vaqtda murakkab jarayonlarni prognozlash imkonini beradi.
Asosiy mashinali o‘qitish usullari va algoritmlariga Supervised Learning (Nazorat ostida
o‘qitish), Unsupervised Learning (Nazoratsiz o‘qitish) va Time Series Forecasting Methods larni
misol qilish mumkin [6].
Supervised Learning (Nazorat ostida o‘qitish)da Linear Regression modelidan inflyatsiya
yoki YaIM o‘sishini bashoratlashda foydalaniladi. Random Forest Regressor modelidan iqtisodiy
indikatorlararo bog‘liqlikni aniqlashda foydalaniladi. Support Vector Regression (SVR) modeli
asosida bozordagi narx o‘zgarishlarini prognozlash mumkin. Gradient Boosting Machines
(GBM) modeli yordamida kompleks moliyaviy prognozlar amalga oshiriladi [7, 8].
Unsupervised Learning (Nazoratsiz o‘qitish)da K-means Clustering
modeli asosida
iqtisodiy hududlarni rivojlanish darajasi bo‘yicha guruhlashni amalga oshirish mumkin. Principal
Component Analysis (PCA) modeli yordamida o‘zgaruvchilar sonini qisqartirib, bashorat sifatini
oshirish mumkin.
Time Series Forecasting Methodsda ARIMA / SARIMA modeli yordamida iqtisodiy vaqt
qatorlarini prognozlashni amalga oshiriladi. LSTM (Long Short-Term Memory, Recurrent
Neural Network) modeli bilan uzoq vaqtli o‘zgarishlarni bashoratlash (masalan, valyuta kurslari)
mumkin [9, 10]. Prophet (Facebook modeli) modeli asosida esa bayramlar, mavsumiylik va
trendlarni hisobga olgan holda prognozlashni amalaga oshirish imkoniyatlari yanada
takomillashtiriladi.
Quyidagi jadvalda yuqorida sanba o’tilgan modellarga misollar keltirilgan.
1-jadval.
Amaliy misollar.
Jarayon
Model
Maqsad
Inflyatsiya prognozi
LSTM, ARIMA
Oylik/yillik inflyatsiyani aniqlash
Fond bozoridagi
o‘zgarishlar
Random Forest, XGBoost
Aksiya narxlarining trendini aniqlash
Valyuta kursi bashorati
LSTM, SVR
USD/EUR narxini oldindan bilish
212
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
Kredit xavfi tahlili
Logistic Regression,
CatBoost
Qarzdorning to‘lovga layoqatliligini
baholash
Ishsizlik darajasi
Linear Regression, GBM
Yillik ishchi kuchi o‘zgarishini tahlil
qilish
Quriladigan modelning bosqichlari quyidagilardan iborat bo‘ladi:
Ma’lumot yig‘ishda statistika qo‘mitalar, World Bank, IMF kabi manbalardan
foydalaniladi. Ma’lumotlarni tozalash va tayyorlashda missing value, scaling, encoding
algoritmlaridan foydalaniladi. Model tanlash va o‘qitishda Cross-validation bilan eng yaxshi
algoritmni aniqlanadi. Modelni baholash da RMSE, MAE, R² modellari qo‘llaniladi.
Deployment (modelni ishga tushurish) da API orqali veb-sayt yoki tizimga ulanadi.
Yuqorida sanab o‘tilgan modellardaan biri Supervised Learning (Nazorat ostida o‘qitish)
asosida
Linear Regression
modeli
inflyatsiya
yoki
Yalpi ichki mahsulot (YaIM)
o‘sishini
bashoratlash uchun keng qo‘llaniladi, ayniqsa ularning vaqtga bog‘liqligi chiziqli tendensiyaga
ega bo‘lsa.
Quyida ushbu jarayonlarni to‘liq
bosqichlari
,
matematik modeli
va
amaliy misol
asosida tushuntirib berilgan:
Modelning maqsadi - inflyatsiya yoki YaIM qiymatini tarixiy ma’lumotlar asosida
kelajakda qanday o‘zgarishini bashoratlashdir.
Bu maqsadni amalga oshirish uchun Linear Regression modelidan foydalaniladi. Uning
matematik formulasi 1-formulada keltirilgan. Agar bizda biror xususiyat (x) (masalan: yil,
iste’mol indeksi, ish o‘rinlari soni) va maqsadli o‘zgaruvchi (y) (inflyatsiya yoki YaIM) bo‘lsa,
unda chiziqli regressiya modeli quyidagicha ifodalanadi:
x
1
0
ˆ
+
=
(1)
Bu yerda:
•
ˆ
- bashorat qilingan inflyatsiya yoki YaIM qiymati
•
x - mustaqil o‘zgaruvchi (yil, indeks va h.k.)
•
0
- intercept (model boshlanishi)
•
1
- regression koeffitsienti (gradient, qiyalik)
Agar sizda bir nechta xususiyatlar bo‘lsa:
n
x
n
x
x
+
+
+
+
=
...
2
2
1
1
0
ˆ
(2)
Bu multivariate linear regression deyiladi.
Modelni o‘rnatish 4 ta bosqichdan iborat. Ular ma’lumotlarni yig‘ish, tayyorlash, modelni
o‘qitish va Modelni baholashdir.
1-bosqich: ma’lumotlarni yig‘ishda tarixiy inflyatsiya yoki YaIM ma’lumotlari (yillik,
choraklik) tegishli tashkilotlardan olinadi. Mustaqil o‘zgaruvchilar (x) iste’mol narxlari indeksi,
ishlab chiqarish hajmi, eksport hajmi va boshqalarni qiymatlarni o‘zlashtiradi.
2-bosqich: ma’lumotlarni tayyorlashda skalalash (StandardScaler, MinMaxScaler) dan
foydalaniladi. Missing (yo‘q) qiymatlarni to‘ldiriladi. Train/test (80/20) shaklda bo‘lib ajratiladi.
213
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
3-bosqich: modelni o‘qitishda Loss function (yo‘qotish funksiyasi): Odatda MSE - Mean
Squared Error ishlatiladi. Uning matematik formulasi quyidagicha:
=
−
=
n
i
i
n
MSE
1
1
2
)
ˆ
(
1
(3)
Gradient descent yordamida MSE ni minimallashtirib,
0
va
1
lar aniqlanadi. Dastur
natijasi 1-rasmda keltirilgan.
1-rasm. Dastur natijasini grafik ko‘rinishi
Agar modelda:
•
R² ≥ 0.8
bo‘lsa - model yaxshi moslashgan.
•
MSE kichik
bo‘lsa - modelning xatoligi past.
Demak, model natijalari tahlili quyidagicha:
MSE (Mean Squared Error)
= 7.09 - bu model xatoligini bildiradi, lekin
muhimi R²
.
R² (determinatsiya koeffitsienti)
= 0.27 - bu juda past, demak, model faqat 27%
o‘zgarishni tushuntiradi.
Model juda zaif ishlayapti.
2025 yil uchun bashorat: 12.87%
R² ≥ 0.8 qilish (≥ 80% tushuntiruvchi kuchga ega model) uchun ko‘proq va boyroq
xususiyatlar (features) qo‘shish orqali sinab ko‘ramiz:
Modelda hozir faqat
Year
ni ishlatilgan: X = data[['Year']]. Bu juda oddiy! Iqtisodiy
jarayonlar faqat yilga emas, balki:
•
Iste’mol narxlari indeksi (CPI)
•
Ishsizlik darajasi
•
Valyuta kursi
•
Savdo balanslari
•
Oylik o‘rtacha ish haqi
•
Iste’molchilar ishonch indeksi
214
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
•
Pul massasining o‘sishi (M2)
•
Import/eksport hajmi
kabi omillarga ham bog‘liq.
Shunda modelning dataseti (uz.csv fayli)da quyidagi ustunlar ham qo‘shildi.
2-jadval.
“uz.csv” faylining ustun tavsiflari
Ustun nomi
Ma’nosi
Year
Yil
CPI
Consumer Price Index (iste’mol narxlari indeksi)
Unemployment
Ishsizlik darajasi (%)
WageGrowth
Ish haqi o‘sish sur’ati (%)
ExchangeRate
USD-UZS valyuta kursi (o‘rtacha yillik)
Inflation
Yillik inflyatsiya (%) — bu modelning
maqsadli qiymati
Modelni yuqoridagi xususiyatlar ham qo‘shib o‘qitilganda R² koeffitsienti ancha yuqori
chiqdi (ko‘pincha 0.85 dan yuqori), chunki biz ko‘proq real omillarni hisobga oldik.
Model natijasi:
R² = 0.847
- bu juda yaxshi! Demak, model inflyatsiyadagi o‘zgarishlarning
~84.7%
qismini tushuntira olyapti
. Bu biz xohlagan
R² ≥ 0.8
darajasidan yuqori.
MSE = 1.49
- bu ham past va maqbul, ya’ni model xatoliklari kichik.
Modelda birgina
Year
ustuni bilan (simple linear regression) o‘rniga endi
ko‘p
xususiyatli model (multi-feature regression)
qo‘llanildi va bu orqali quyidagi yutuqlarga
erishildi:
•
Model ancha to‘g‘ri bashorat qila boshladi.
•
Inflyatsiyaga ta’sir qiluvchi haqiqiy omillarni o‘rgandi.
•
Amaliy iqtisodiy tahlilga moslashgan model hosil bo‘ldi.
Xulosa
Mashinali o‘qitish algoritmlari asosida murakkab iqtisodiy jarayonlarni bashoratlash
zamonaviy iqtisodiy tahlilda muhim rol o‘ynaydi. Ayniqsa, LSTM, XGBoost va Prophet kabi
ilg‘or metodlar vaqt qatorlaridagi murakkab jarayonlarni aniqlab, yuqori aniqlikdagi prognozlar
berish imkonini beradi. Bunday tizimlar investitsiya qarorlarini qabul qilishda, davlat siyosatini
shakllantirishda va iqtisodiy xavf-xatarlarni oldindan aniqlashda keng qo‘llaniladi.
Demak, Linear Regression - iqtisodiy prognozlashda soddaligi va tezligi bilan Afzal
hisoblanar ekan. U faqatgina chiziqli tendensiyalar uchun ishlaydi. Agar o‘zgarishlar nolinear
bo‘lsa - boshqa model (Polynomial Regression, SVR, LSTM) tanlash kerak bo‘ladi.
ADABIYOTLAR RO‘YXATI (REFERENCES)
1.
Zaynidinov H., Nurmurodov J., Qobilov S.
Application of Machine Learning Methods for
Signal Processing in Piecewise-Polynomial Bases // Proceedings - 9th IEEE International
Conference on Information Technology and Nanotechnology, ITNT 2023, 2023
2.
Zaynidinov H., Singh M., Tiwary U.S., Singh D.
Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics) // 2023, 13741 LNCS, 5-6
215
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 7
3.
Abdivaliyev Sh.X.
Raqamli iqtisodiyotda sun’iy intellektning rolini takomillashtirish //
Zamonaviy ilm-fan va ta’lim istiqbollari ilmiy-amaliy konferensiyasi toʻplami. Aprel,
2025-yil. Tоshkеnt. 696-701 b.
4.
Mallayev O.U.
Iqtisodiy jarayonlarda mashinaviy o‘qitish algoritmlari asosida qaror
qabul qilish modulini ishlab chiqish
//
“Raqamli iqtisodiyot va sun’iy intellekt
texnologiyalarining jamiyat rivojlanishidagi ahamiyati” mavzusidagi xalqaro ilmiy-
amaliy konferensiya ilmiy maqolalar toʻplami. 2024-yil 22-noyabr, Tоshkеnt. 88-92 b.
5.
M Mamadjonov, A Abdullayev, I Abdurahmonov, A Mamadaliyev.
Challenges of
management in the digital economy //
Scientific progress. 2021. 2 (6), 1533-1537.
6.
Shadmanov E.Sh., Abulqosimov H.P., Anarkulov A.D., Abulqosimov M.X.
Iqtisodiyotni
davlat tomonidan tartibga solish. Darslik. –T.: O‘zbekiston Respublikasi Jamoat
xavfsizligi universiteti. – 2025.- 479 b.
7.
H. Zayniddinov, B. Rakhimov, G. Khalikova, A
. Saidov Review and analysis of computer
vision algorithms, AIP Conference Proceedingsthis link is disabled, 2023, 2789, 050022
8.
Turaev, Sh. A.
Sun’iy intellekt texnologiyalari va ularning iqtisodiyotdagi ahamiyati.
Iqtisodiyot va innovatsion texnologiyalar, 2021 4(3). 115– 122.
9.
Намазов Г. Ш.
Ҳудуд макроиқтисодий кўрсаткичларини прогноз қилишда ARIMA
модели ва сунъий нейрон тўр (ANN) воситаларини таққослаш //Oriental renaissance:
Innovative, educational, natural and social sciences. – 2022. – Т. 2. – №. 3. – С. 1018-
1032.
10.
Юсупов, Ж. А.
Цифровизация экономики Узбекистана: текущее состояние и
перспективы. Экономика и финансы (Узбекистан), 2020 3(6), 20–28.
