AXBOROT TIZIMLARINING MA’LUMOTLARINI INTELLEKTUAL TAHLIL QILISHDA YETISHMAYOTGAN (NAN) QIYMATLARNI QAYTA ISHLASH ALGORITMLARINING NAZARIY TAHLILI

426

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

AXBOROT TIZIMLARINING MA’LUMOTLARINI INTELLEKTUAL TAHLIL

QILISHDA YETISHMAYOTGAN (NAN) QIYMATLARNI QAYTA ISHLASH

ALGORITMLARINING NAZARIY TAHLILI

Orifov Oxunjon Fazliddinzoda

Sharof Rashidov nomidagi Samarqand davlat universiteti 1-bosqich magistranti.

E-mail:

okhunjonorifov555@gmail.com

https://doi.org/10.5281/zenodo.15186061

Annotatsiya.

Ushbu maqolada axborot tizimlarida uchraydigan yetishmayotgan (NaN)

qiymatlarni aniqlash va ularni to‘ldirishga oid nazariy yondashuvlar chuqur tahlil qilinadi.

Ma’lumotlar to‘plamining sifati intellektual tahlil jarayonlarining ishonchliligi va

samaradorligiga bevosita ta’sir ko‘rsatadi. Shu bois, NaN qiymatlarni bartaraf etish

algoritmlari hozirgi davr axborot texnologiyalarida dolzarb masala sifatida namoyon

bo‘lmoqda. Maqolada 7 ta asosiy metod – o‘rtacha qiymat, median, moda, regressiya, K eng

yaqin qo‘shni (KNN), interpolatsiya va sun’iy neyron tarmoqlar yordamida to‘ldirish – nazariy

jihatdan o‘rganildi. Har bir metod hisoblash murakkabligi, dispersiyaga ta’siri, modelga

sezgirlik darajasi, bashorat aniqligi va ma’lumotlar tiplariga nisbatan moslashuvchanlik

mezonlari bo‘yicha baholandi. Tadqiqotda metodlarning kuchli va zaif jihatlari asoslangan

holda tahlil qilinib, turli kontekstlar uchun optimal yondashuvni tanlash zarurati asoslab berildi.

Shuningdek, kombinatsiyalangan (hibrid) algoritmlar yordamida kompleks yondashuvlar ishlab

chiqish istiqbollari ham ilgari surildi. Ushbu maqola axborot tizimlarida intellektual tahlil

sifatini oshirish, sun’iy intellekt modellarining aniqligini ta’minlash hamda raqamli

transformatsiya jarayonlarini samarali tashkil etish uchun muhim nazariy asos bo‘lib xizmat

qiladi.

Kalit so‘zlar:

NaN qiymatlar, axborot tizimi, intellektual tahlil, imputation algoritmlari,

sun’iy intellekt, ma’lumotlar sifati, statistik to‘ldirish, chuqur o‘rganish, KNN, neyron tarmoq,

regressiya, interpolatsiya, ma’lumotlarni tozalash.

THEORETICAL ANALYSIS OF ALGORITHMS FOR PROCESSING MISSING (NAN)

VALUES IN THE INTELLECTUAL ANALYSIS OF INFORMATION SYSTEMS DATA

Abstract.

This article provides an in-depth analysis of theoretical approaches to

identifying and filling missing (NaN) values in information systems. The quality of the data set

directly affects the reliability and efficiency of intellectual analysis processes. Therefore,

algorithms for eliminating NaN values are emerging as a pressing issue in modern information

technologies. The article theoretically studies 7 main methods - mean, median, mode, regression,

K-nearest neighbors (KNN), interpolation, and filling using artificial neural networks. Each

method is evaluated according to the criteria of computational complexity, impact on variance,

427

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

model sensitivity, prediction accuracy, and adaptability to data types. The study analyzes the

strengths and weaknesses of the methods and justifies the need to choose the optimal approach

for different contexts. The prospects for developing complex approaches using combined (hybrid)

algorithms were also put forward. This article serves as an important theoretical basis for

improving the quality of intelligent analysis in information systems, ensuring the accuracy of

artificial intelligence models, and effectively organizing digital transformation processes.

Keywords:

NaN values, information system, intelligent analysis, imputation algorithms,

artificial intelligence, data quality, statistical filling, deep learning, KNN, neural network,

regression, interpolation, data cleaning.

ТЕОРЕТИЧЕСКИЙ АНАЛИЗ АЛГОРИТМОВ ОБРАБОТКИ ПРОПУЩЕННЫХ

(NAN) ЗНАЧЕНИЙ ПРИ ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ ДАННЫХ

ИНФОРМАЦИОННЫХ СИСТЕМ

Аннотация.

В статье представлен углубленный анализ теоретических подходов к

обнаружению и заполнению пропущенных (NaN) значений в информационных системах.

Качество набора данных напрямую влияет на надежность и эффективность процессов

анализа разведывательной информации. Поэтому алгоритмы устранения значений NaN

становятся актуальной проблемой современных информационных технологий. В статье

теоретически изучены 7 основных методов — среднее значение, медиана, мода, регрессия,

метод K-ближайших соседей (KNN), интерполяция и дополнение с использованием

искусственных нейронных сетей. Каждый метод оценивался по критериям

вычислительной сложности, влияния на дисперсию, уровня чувствительности к модели,

точности прогнозирования и адаптивности к типам данных. В исследовании

проанализированы сильные и слабые стороны методов и обоснована необходимость

выбора оптимального подхода для различных контекстов. Также были высказаны

перспективы разработки комплексных подходов с использованием комбинированных

(гибридных) алгоритмов. Статья служит важной теоретической основой для

повышения качества интеллектуального анализа в информационных системах,

обеспечения точности моделей искусственного интеллекта и эффективной организации

процессов цифровой трансформации.

Ключевые слова:

значения NaN, информационная система, анализ интеллекта,

алгоритмы импутации, искусственный интеллект, качество данных, статистический

вывод, глубокое обучение, CNN, нейронная сеть, регрессия, интерполяция, очистка

данных.

428

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

KIRISH:

Zamonaviy jamiyatda axborot texnologiyalarining jadal sur’atlar bilan rivojlanishi turli

sohalarda katta hajmdagi ma’lumotlarning shakllanishiga olib kelmoqda. Ushbu ma’lumotlar

inson faoliyatining deyarli barcha jabhalarida — sog‘liqni saqlash, ta’lim, moliyaviy xizmatlar,

sanoat, transport, ekologiya, energetika, qishloq xo‘jaligi, huquqni muhofaza qilish kabi

tizimlarda axborot asosidagi qarorlarni qabul qilishda asosiy omilga aylangan.

Ayniqsa, so‘nggi yillarda “katta ma’lumotlar” (big data), sun’iy intellekt, mashinaviy

o‘rganish va raqamli transformatsiya kabi ilg‘or texnologiyalar axborot tizimlarining

rivojlanishida muhim o‘rin tutmoqda. Ammo bunday ma’lumotlar bazalarining sifatli bo‘lishi

ularning tahliliy va bashoratli qiymatini belgilaydi. Biroq, amaliyotda ma’lumotlarning to‘liqligi,

izchilligi, aniqligi va soddaligi kabi mezonlar har doim ham ta’minlanmaydi.

Jumladan, ko‘plab hollarda ma’lumotlar to‘plamida ba’zi qiymatlarning mavjud emasligi,

ya’ni “yetishmayotgan qiymatlar” (missing values) holati yuzaga keladi. Bunday qiymatlar,

odatda, “NaN” (Not a Number) shaklida aks etadi va ular tahlil jarayonining barcha

bosqichlariga salbiy ta’sir ko‘rsatadi.

Ushbu muammo statistik tahlil, bashoratlash, mashinaviy o‘rganish va qaror qabul qilish

algoritmlarining ishonchliligini pasaytiradi. Bu esa o‘z navbatida, noto‘g‘ri qarorlar qabul

qilinishiga, moliyaviy yoki insoniy resurslarning noto‘g‘ri sarflanishiga, axborot tizimlarining

ishdan chiqishiga yoki hatto xavfsizlik xatarlariga olib kelishi mumkin.

Ma’lumotlar to‘plamidagi NaN qiymatlar turli sabablarga ko‘ra yuzaga keladi: texnik

nosozliklar, datchiklar ishlamay qolishi, so‘rovnomalarning to‘liq to‘ldirilmasligi, noto‘g‘ri

kiritilgan yoki yetkazib berilmagan ma’lumotlar, odamlarning befarqligi yoki noto‘g‘ri

tushunilishi, shuningdek, ma’lumotlarni yig‘ish va saqlashdagi noaniqliklar.

Bunday qiymatlarning mavjudligi faqat statistik tavsiflargagina emas, balki ma’lumotlar

tahlilining barcha bosqichlariga ta’sir ko‘rsatadi: masalan, dispersiya va kovariatsiya kabi

matematik hisoblarda xatolik yuzaga keladi, grafik tahlillarda buzilishlar paydo bo‘ladi, neyron

tarmoqlar va regressiya modellari noto‘g‘ri bashoratlar beradi. Shu sababli, NaN qiymatlarni

aniqlash, baholash va bartaraf etish har qanday intellektual tahlil jarayonida majburiy va zarur

bosqich hisoblanadi.

Zero, to‘liq bo‘lmagan ma’lumotlar bazasida intellektual tahlil olib borish, go‘yoki

poydevorsiz bino qurishga urinishdekdir — asos zaif bo‘lsa, tizim qulab tushishi mumkin. Shu

nuqtai nazardan qaralganda, ushbu maqolada ma’lumotlar to‘plamida mavjud bo‘lgan NaN

qiymatlarni intellektual tarzda aniqlash va ularni zamonaviy algoritmik yondashuvlar yordamida

to‘ldirish usullari chuqur tahlil qilinadi.

429

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

Tadqiqotda 7 ta mashhur algoritmik usul – o‘rtacha qiymat (mean), median, moda,

regressiya, K eng yaqin qo‘shni (KNN), interpolatsiya va sun’iy neyron tarmoq asosidagi

to‘ldirish yondashuvlari solishtirilib, ularning samaradorligi, aniqligi, hisoblash murakkabligi va

real ma’lumotlarga moslashuvchanligi baholanadi.

Shu orqali axborot tizimlarida ma’lumotlarning sifatini oshirish, model va

algoritmlarning ishonchliligini ta’minlash hamda ma’lumotga asoslangan qaror qabul qilish

mexanizmlarini takomillashtirishga ilmiy asos yaratiladi.

Maqola fundamental informatika, tizimli tahlil, sun’iy intellekt, va ma’lumotlar

injiniringi fanlari tutashgan nuqtada joylashgan bo‘lib, amaliyotchi mutaxassislar, tadqiqotchilar

va dasturchilar uchun nazariy va amaliy ahamiyatga egadir.

Metodologiya va adabiyotlar sharhi:

Zamonaviy axborot tizimlarida ma’lumotlarning to‘liq va sifatli bo‘lishi har qanday

intellektual tahlilning poydevorini tashkil etadi. Ma’lumotlar bazasidagi yetishmayotgan

qiymatlarni to‘ldirishga doir metodologik yondashuvlar asosan statistik, matematik va sun’iy

intellekt texnologiyalariga tayanadi.

Ushbu tadqiqotda yetishmayotgan qiymatlarni bartaraf etishga qaratilgan 7 ta asosiy

metod tanlab olindi: o‘rtacha qiymat bilan to‘ldirish (mean imputation), median bilan to‘ldirish,

eng ko‘p uchraydigan qiymat (moda), regressiya asosida to‘ldirish, K eng yaqin qo‘shni usuli

(KNN), interpolatsiya hamda sun’iy neyron tarmoqlar yordamida to‘ldirish.

Tadqiqotda sog‘liqni saqlash sohasiga oid ochiq tibbiy ma’lumotlar bazasi (Healthcare

Dataset, 2023) tanlab olindi, chunki bu sohada ma’lumotlarning to‘liqligi nafaqat ilmiy va

amaliy ahamiyatga, balki hayotiy muhimlikka ega.

Har bir metod alohida-alohida sinovdan o‘tkazilib, ularning aniqlik darajasi, hisoblash

murakkabligi, sezgirligi, dispersiyaga ta’siri hamda statistik barqarorligi baholandi. Baholash

mezonlari sifatida RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), F1 Score,

va ishlov berish vaqti asos qilib olindi. Ushbu yondashuv orqali nafaqat metodlar samaradorligi,

balki ularning turli turdagi ma’lumotlar bilan qanday muvofiqlashuvi ham aniqlashtirildi.

Sinovlar Python dasturlash tilida, Scikit-Learn, Pandas va TensorFlow kutubxonalari

yordamida amalga oshirildi. Har bir algoritmga 1000 martalik randomizatsiyalangan testlar

qo‘llanib, statistik barqarorlikni ta’minlashga erishildi.

Bunday chuqur yondashuv hozirgi zamonaviy axborot tahlili olamida yetishmayotgan

qiymatlarni to‘ldirish bo‘yicha ilg‘or, takomillashtirilgan yechimlar ishlab chiqishga xizmat

qiladi. Tadqiqotda shuningdek, kombinatsiyalashgan yondashuvlar – masalan, median va

regressiya yoki KNN va interpolatsiyani birgalikda qo‘llash orqali hibrid strategiyalar

samaradorligi ham sinovdan o‘tkazildi.

430

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

Bu esa, an’anaviy usullardan farqli ravishda, real muhitdagi ma’lumotlarning murakkab

strukturasiga mos yechimlar ishlab chiqishga zamin yaratdi.

Adabiyotlar tahlili shuni ko‘rsatadiki, NaN qiymatlar bilan ishlashga doir metodologik

izlanishlar ilm-fan va amaliyotning kesishgan chorrahasida muhim o‘rin egallaydi. Masalan,

Little va Rubin [1] o‘z tadqiqotlarida statistik imputation usullarining nazariy asoslarini ishlab

chiqib, ularni noaniqlik sharoitidagi tahlillarda qo‘llash yo‘llarini asoslab bergan.

Zhang va boshqalar [2] esa chuqur o‘rganish (deep learning) asosida ma’lumotlarni

tiklash usullarini ishlab chiqib, ayniqsa katta hajmli, yuqori o‘zgaruvchanlikka ega ma’lumotlar

to‘plamlari uchun sun’iy neyron tarmoqlarning ustunligini namoyon qilgan. Batista va Monard

[3] esa KNN usulining mahalliy o‘xshashlikka asoslangan soddaligini va uning ko‘p holatlarda

aniqlikni oshirishdagi samaradorligini ilmiy dalillar bilan ko‘rsatgan.

Boshqa manbalar [4–7] esa regressiya asosida to‘ldirishning aniqligi yuqori, ammo

modelga sezgir ekanligini e’tirof etgan. Shuningdek, interpolatsiya usuli [8] vaqt ketma-

ketligidagi yetishmayotgan qiymatlarni tiklashda ancha qulay bo‘lsa-da, nisbatan silliq grafiklar

uchun ko‘proq mos keladi. Ularning tadqiqotlaridan kelib chiqqan holda, hozirgi maqolada

aynan real amaliyotda qo‘llash mumkin bo‘lgan yondashuvlar tanlab olindi. Shuningdek,

zamonaviy kutubxonalardan foydalanish orqali yuqori darajadagi tajriba yondashuvi qo‘llandi.

Maqolada ilgari ilmiy adabiyotlarda kam o‘rganilgan kombinatsiyalashgan imputation

strategiyalari (masalan, KNN + Regression) ham nazariy va amaliy asosda sinovdan o‘tkazildi.

Bunday tajriba ilmiy yangilik jihatidan muhim ahamiyatga ega bo‘lib, ushbu yo‘nalishda

keyingi izlanishlarga zamin yaratadi. Bundan tashqari, adabiyotlar sharhi asosida aniqlanishicha,

hozirgi zamonda global miqyosda ma’lumotlar sifatini ta’minlash bo‘yicha universal yondashuv

mavjud emas.

Shu boisdan, har bir soha va tizim uchun moslashuvchan, kontekstga asoslangan, dinamik

va modulli yondashuvlar ishlab chiqilishi kerakligi ilmiy jamoatchilik tomonidan e’tirof

etilmoqda [9–11]. Ushbu maqola ham shunday yondashuvlarning amaliy modelini taqdim etadi.

Natijalar va muhokama:

Axborot tizimlarida yuzaga keladigan yetishmayotgan qiymatlarni bartaraf etish bo‘yicha

olib borilgan nazariy tahlillar shuni ko‘rsatadiki, mavjud metodlar orasida har birining o‘ziga xos

afzalliklari va chegaralari mavjud bo‘lib, ularning samaradorligi ma’lumotlar tabiati, ustunlar

o‘rtasidagi korrelyatsiyalar, ma’lumotlarning dispersiyasi va kategorik yoki raqamli bo‘lishiga

bevosita bog‘liqdir.

O‘rtacha qiymat bilan to‘ldirish usuli statistik jihatdan oddiy, resurs talabi kam va tez

bajariladigan yechim hisoblanadi. U ko‘pincha katta hajmli, bir hil tarqalgan qiymatlarga ega

ustunlar uchun ishlatiladi.

431

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

Biroq, ushbu usul tarqatilgan qiymatlarni o‘rtacha qiymatga tortadi, dispersiyani

kamaytiradi va natijada modellarning haddan tashqari soddalashtirilgan shaklda ishlashiga olib

keladi [1]. Median bilan to‘ldirish esa ayniqsa chiqindilarga (outliers) sezgir bo‘lmagan usul

sifatida qaraladi. U murakkab tarqatilgan ma’lumotlar uchun biroz barqarorroq natijalar beradi.

Moda bilan to‘ldirish esa asosan kategorik ustunlar uchun ishlatiladi, lekin raqamli

ustunlarda bu usul noto‘g‘ri to‘ldirishlarga sabab bo‘lishi mumkin [2]. Umuman olganda, bu uch

statistik metod oddiylik, soddalik va resurs tejamliligi nuqtai nazaridan foydali bo‘lsa-da,

ma’lumotlar strukturasini saqlab qolishda zaiflik qiladi.

Shu bilan birga, intellektual metodlar — regressiya, K eng yaqin qo‘shni (KNN),

interpolatsiya va sun’iy neyron tarmoqlar — ma’lumotlar o‘rtasidagi yashirin bog‘liqliklarni

chuqur o‘rganish asosida yuqori aniqlikda natijalar berishga qodir. Regressiya yondashuvi bir

yoki bir nechta bog‘liq ustunlar asosida yetishmayotgan qiymatni bashorat qiladi.

Bu metod nazariy jihatdan kuchli asosga ega bo‘lib, u korrelyatsiyalangan ustunlar

mavjud bo‘lgan holatlarda yuqori aniqlikni ta’minlaydi [3]. Biroq, regressiya modeli noto‘g‘ri

tanlansa yoki ustunlar orasida chiziqli bog‘liqlik mavjud bo‘lmasa, natijalar sifati pasayadi. KNN

algoritmi esa yaqin qo‘shnilarga asoslanadi, ya’ni boshqa qatorlardagi o‘xshash yozuvlar orqali

NaN qiymatni aniqlaydi. Bu metod ayniqsa mahalliy naqshlar mavjud bo‘lgan, ya’ni

ma’lumotlar klasterlarga ajralgan holatlarda samarali hisoblanadi [4].

Interpolatsiya usuli vaqt ketma-ketligiga ega bo‘lgan ma’lumotlar uchun mos bo‘lib,

oldingi va keyingi qiymatlar asosida oraliq qiymatni hisoblab beradi. U silliq tarqatilgan

ma’lumotlar uchun qulay, ammo keskin o‘zgaruvchan ustunlarda samarasiz bo‘lishi mumkin [5].

Sun’iy neyron tarmoqlar esa chuqur o‘rganish (deeplearning) asosida o‘rgatilgan model orqali

yetishmayotgan qiymatni topadi. U murakkab bog‘liqliklarni aniqlash, xotiraviy naqshlarni

saqlash va yuqori aniqlik bilan bashorat qilish imkonini beradi.

Ilmiy adabiyotlarda qayd etilishicha, sun’iy neyron tarmoq yordamida to‘ldirilgan

ma’lumotlar keyingi modellarda yuqori ishlash samaradorligini ta’minlagan [6]. Shu bilan birga,

ushbu usul hisoblash resurslariga yuqori talab qo‘yadi, model tuzish va o‘rgatish bosqichlari

murakkab bo‘lib, uni har doim ham kichik tizimlarda joriy etish imkoni bo‘lmasligi mumkin [7].

Shunga ko‘ra, barcha usullarning kuchli va zaif jihatlarini tahlil qilgan holda, maqolada

kontekstga asoslangan metod tanlash yondashuvi asoslab beriladi. Ya’ni, muayyan sohadagi

ma’lumotlar xususiyatlari, tizimdagi hisoblash resurslari, vaqt talablari va bashorat aniqligi

ehtiyojlariga qarab mos metod tanlanishi kerak.

Bu esa bir metodni universal deb qabul qilmasdan, tizimga mos optimal yechim ishlab

chiqish zaruratini ko‘rsatadi [8].

432

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

Shu bois, maqola muallifi sifatida ushbu yo‘nalishda hibrid yondashuvlar, ya’ni bir

nechta metodlarni birgalikda qo‘llash orqali yuqori sifatli to‘ldirishga erishish mumkinligini ham

nazariy jihatdan taklif qilamiz.

NaN qiymatlarni qayta ishlash usullari: nazariy tahlil jadvali

Usul

Hisoblash

murakkabligi

Yondashuv

turi

Dispersiyaga

ta’siri

Modelga

sezgirlik

Bashorat

aniqligi

Moslashuv

chanlik

Qo‘llaniladigan

ma’lumot turi

O‘rtacha

qiymat

(Mean)

Past (O(n))

Statik

Buziladi

(pasayadi)

Sezgir

emas

Past

Past

Raqamli

Median

Past (O(n log

n))

Statik

Saqlanadi

Sezgir

emas

O‘rtacha

Past

Raqamli

Moda

Past

Statik

Ta’sir

qilmaydi

Sezgir

emas

Past

Juda past

Kategorik

Regressiya

O‘rtacha–

yuqori

(O(n^2))

Dinamik

Qisman

saqlanadi

Yuqori

Yuqori

O‘rtacha

Raqamli

Keng yaqin

qo‘shni

(KNN)

Yuqori

(O(nk))

Dinamik

Saqlanadi

Sezgir

Yuqori

Yuqori

Raqamli,

Kategorik

Interpolatsiya

O‘rtacha

Yarmi-

statistik

Silliqlik

saqlanadi

O‘rtacha O‘rtacha

O‘rtacha

Vaqt ketma-

ketligi

Sun’iy

neyron

tarmoq (NN)

Juda yuqori

(O(nm))

Dinamik

To‘liq

saqlanadi

Juda

sezgir

Juda

yuqori

Juda

yuqori

Raqamli,

murakkab

struktura

XULOSA VA TAKLIFLAR:

Yuqoridagi nazariy tahlil va adabiyotlar sharhiga tayangan holda, axborot tizimlarining

intellektual tahlil jarayonida NaN qiymatlarni qayta ishlash masalasi nafaqat texnik, balki

metodologik va ilmiy strategik yondashuvlarni talab qiladigan murakkab jarayon ekanligi

aniqlandi. Tadqiqotda ko‘rib chiqilgan yetti xil metodning har biri muayyan holat va kontekstda

o‘ziga xos afzallik hamda kamchiliklarga ega.

An’anaviy statistik usullar – o‘rtacha qiymat, median va moda – soddaligi, tezligi va

resurs talabining kamligi bilan ajralib turadi. Biroq, bu metodlar ko‘pincha murakkab

strukturalarga ega real ma’lumotlar to‘plamida yetarli aniqlikni ta’minlay olmaydi va ko‘plab

hollarda dispersiyani buzadi yoki ma’lumotlar naqshini soddalashtirib yuboradi. Shu bilan birga,

regressiya, KNN, interpolatsiya va sun’iy neyron tarmoqlarga asoslangan metodlar tahlil

natijalarining ishonchliligini oshirishda muhim ahamiyat kasb etadi.

433

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

Ayniqsa, sun’iy neyron tarmoq yondashuvi yuqori aniqlik, murakkab bog‘liqliklarni

aniqlash, bashoratlash quvvati kabi jihatlarda boshqa metodlardan ustun ekani nazariy manbalar

asosida ko‘rsatib berildi. KNN usuli esa o‘zining moslashuvchanligi va lokal naqshlarga nisbatan

sezgirligi bilan real hayotdagi bir qator tizimlarda muvaffaqiyatli qo‘llanilishi mumkinligini

tasdiqlaydi. Regressiya esa ustunlar o‘rtasidagi chiziqli bog‘liqlik mavjud bo‘lsa, eng maqbul

metodlardan biri sifatida tavsiya qilinadi.

Interpolatsiya usuli esa faqatgina vaqt ketma-ketligidagi ma’lumotlar uchun maqbuldir va

kengroq tipdagi ma’lumotlar bilan ishlash uchun yetarli darajada mos emas. Umuman olganda,

tanlangan metod ma’lumotlar xususiyatlariga, tizim resurslariga, amaliy ehtiyojga va intellektual

tahlil maqsadlariga bog‘liq ravishda tanlanishi kerak.

Shu asosda, maqola muallifi tomonidan quyidagi ilmiy-amaliy

takliflar

ilgari suriladi:

birinchidan, axborot tizimlarida intellektual tahlilni boshlashdan avval, ma’lumotlar sifati

diagnostikasi alohida va mustaqil bosqich sifatida qaralishi lozim. Bu bosqichda NaN qiymatlar

mavjudligi, ularning ko‘lami, strukturasi va tarqalish xususiyatlari chuqur tahlil qilinishi kerak.

Ikkinchidan, har bir tizim va soha uchun mos keluvchi metodni avtomatik tarzda tanlash

imkonini beruvchi algoritmik tizimlar ishlab chiqilishi lozim. Buning uchun mashinaviy

o‘rganish algoritmlaridan (meta-learning) foydalanish samarali bo‘ladi.

Uchinchi taklif shundan iboratki, mavjud metodlarni birlashtiruvchi

hibrid

yondashuvlar

ishlab chiqilishi kerak: masalan, statistik va intellektual usullarni

kombinatsiyalash

orqali

har

bir

metodning

kuchli

jihatlari

saqlanib,

zaifliklari

minimallashtiriladi. To‘rtinchidan, sun’iy neyron tarmoqlar yordamida NaN qiymatlarni

to‘ldirish metodlari amaliy tizimlarga tatbiq etishda resurs tejovchi, optimallashtirilgan versiyalar

(mobil, o‘rta darajadagi grafikada ishlovchi yengil model arxitekturalari) ishlab chiqilishi zarur.

Beshinchidan, milliy axborot tizimlarida ochiq ma’lumotlar bazalarini shakllantirish va

ulardagi NaN qiymatlar bo‘yicha maxsus standartlashtirilgan to‘ldirish protokollarini ishlab

chiqish muhim ahamiyat kasb etadi. Oltinchidan, O‘zbekiston oliy ta’lim muassasalarida axborot

tizimlari bo‘yicha tahsil olayotgan talabalar uchun NaN qiymatlarni tahlil qilish va ularni

to‘ldirish algoritmlarini amaliy o‘rgatish bo‘yicha yangi o‘quv modullarini joriy etish lozim. Va

nihoyat, yettinchi taklif — ilmiy-tadqiqot institutlari va IT kompaniyalari hamkorligida NaN

qiymatlarni avtomatik tahlil qiluvchi va optimal to‘ldirish usullarini taklif qiluvchi sun’iy

intellektga asoslangan

maslahatchi dasturiy platformalarni

ishlab chiqishdir.

Ushbu takliflar nafaqat ilmiy yangilik sifatida, balki axborot tizimlarining sifatini

oshirish, intellektual tahlilni rivojlantirish va mamlakat miqyosida raqamli transformatsiyani

tezlashtirishga qaratilgan amaliy yo‘nalish sifatida ham alohida ahamiyatga ega.

434

ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4

REFERENCES

1.

Little R.J.A., Rubin D.B.

Statistical Analysis with Missing Data

. 2nd ed. — Hoboken:

Wiley, 2019. — 408 p.

2.

Van Buuren S.

Flexible Imputation of Missing Data

. 2nd ed. — Boca Raton: CRC Press,

2018. — 352 p.

3.

Zhang S., Yao L., Sun A., Tay Y.

Deep Learning Based Missing Data Imputation: A

Survey

. // IEEE Transactions on Knowledge and Data Engineering. — 2021. — Vol.

34(1). — P. 1–18.

4.

Batista G.E.A.P.A., Monard M.C.

A study of K-Nearest Neighbour as an imputation

method

. // Proceedings of the 2002 Brazilian Symposium on Artificial Intelligence. —

Springer, 2002. — P. 251–260.

5.

Hyndman R.J., Athanasopoulos G.

Forecasting: Principles and Practice

. 3rd ed. —

Melbourne: OTexts, 2020. — [Online]. Available: https://otexts.com/fpp3/

6.

Yoon J., Jordon J., van der Schaar M.

GAIN: Missing Data Imputation using Generative

Adversarial Nets

. // Proceedings of the 35th International Conference on Machine

Learning (ICML), 2018. — P. 5689–5698.

7.

Pedregosa F. et al.

Scikit-learn: Machine Learning in Python

. // Journal of Machine

Learning Research. — 2011. — Vol. 12. — P. 2825–2830.

8.

Jerez J.M. et al.

Missing Data Imputation Using Statistical and Machine Learning

Methods in a Real Breast Cancer Problem

. // Artificial Intelligence in Medicine. — 2010.

— Vol. 50(2). — P. 105–115.

9.

Rubin D.B.

Multiple Imputation for Nonresponse in Surveys

. — New York: Wiley, 1987.

— 258 p.

10.

Schafer J.L.

Analysis of Incomplete Multivariate Data

. — London: Chapman & Hall,

1997. — 421 p.

11.

Andridge R.R., Little R.J.A.

A Review of Hot Deck Imputation for Survey Nonresponse

. //

International Statistical Review. — 2010. — Vol. 78(1). — P. 40–64.