19
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
“TASVIRLAR YOKI MATNLI MA’LUMOTLARNI
KLASSIFIKATSIYA QILISH UCHUN SVMNI AMALGA
OSHIRISH”
Umarov Bekzod Azizovich
Farg‘ona davlat unversiteti amaliy matematika va informatika
kafedrasi o‘qituvchisi, ubaumarov@mail.ru
Kazimjonova Madinaxon Habibullo qizi
Farg‘ona davlat unversiteti talabasi
Madinaxonkozimjonova321@gmail.com
https://doi.org/10.5281/zenodo.14203435
ARTICLE INFO
ABSTRACT
Qabul qilindi: 9-noyabr 2024 yil
Ma’qullandi: 19-noyabr 2024 yil
Nashr qilindi: 21-noyabr 2024 yil
Tasvir va matnli ma’lumotlarni klassifikatsiya
qilishda Support Vector Machine (SVM) algoritmi oddiy
va samarali usullardan biri hisoblanadi. Ushbu
maqolada SVM yordamida amalga oshirilishi mumkin
bo‘lgan oddiy masalalar ko‘rib chiqiladi. Masalalar
tasvir klassifikatsiyasi va matn tasnifiga asoslangan
bo‘lib, jumladan, geometrik shakllarni aniqlash,
sentiment tahlili, harflar va raqamlarni tasniflash,
spam xabarlarni ajratish va rangli tasvirlarni
klassifikatsiya qilish kabi oson muammolarni o‘z ichiga
oladi. Har bir masalada ma’lumotlarni tayyorlash,
xususiyatlarni chiqarish va SVM modelini qo‘llash
jarayonlari batafsil yoritilgan.
KEY WORDS
SVM, klassifikatsiya, tasvir
tahlili, matn tasnifi, mashinali
o‘qitish, yadro hiylasi.
SVM chiziqli va chiziqli bo‘lmagan tasniflash, regressiya va anomal ma’lumotlarni aniqlash
muammolari uchun ishlatiladigan mashinani o‘rganish algoritmidir. Tasniflash muammosi
ma’lumotlarni ishlab chiqish tizimlarida alohida o‘rin egallaydi, chunki uni hal qilish
jarayonida unga bo‘lgan ehtiyoj paydo bo‘lishi bilan bog‘liq keng ko‘lamli amaliy vazifalari
masalan, kredit riskini tahlil qilish, tibbiy diagnostika, qo‘lda yozilgan belgilarni aniqlash,
matnni turkumlashtirish, ma’lumot olish, piyodalar tasvirini identifikatsiyalash, san’at
asarlarining atributi va boshqalar. SVM turli xil ilovalarda moslashuvchan va samarali, chunki
u yuqori o‘lchamli ma’lumotlarni va chiziqli bo‘lmagan munosabatlarni boshqarishi mumkin.
Tuzilgan klassifikatorning sifatini baholash uchun turli xil taniqli tasniflash sifat
ko‘rsatkichlaridan foydalanish mumkin, masalan: F-o‘lchov ko‘rsatkichi, sezgirlik ko‘rsatkichi,
o‘ziga xoslik ko‘rsatkichi, aniqlik ko‘rsatkichi,to‘liqlik ko‘rsatkichi va ROC egri chizig‘ini tahlil
qilish ham mumkin. Shuni ta’kidlash kerakki, universal tasniflash algoritmlari va usullari
mavjud emas. Bundan tashqari, bir xil ob’ektlar to‘plamiga turli xil modellashtirish
vositalarini qo‘llash turli xil natijalarga olib kelishi mumkin. Buning sababi, bu vositalar turli
xil printsiplarga asoslangan simulyatsiyalar turlicha bo‘lib, ko‘rsatkichlar (masofa o‘lchovlari),
yaqinlik funktsiyalari, optimallik mezonlari, optimallashtirish algoritmlari, dastlabki
yaqinlashishlarni tanlash usullari, har xil turdagi xarakteristikalar bilan ishlash usullaridan
foydalaniladi.
So‘nggi yillarda u ko‘plab tasniflash muammolarini hal qilishda muvaffaqiyatli qo‘llanildi. SVM
algoritmiga muvofiq treningni amalga oshiradigan
20
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
pretsedentlar “nazorat ostida o‘rganish” va chegara algoritmlari va usullari guruhining bir
qismi tasniflari. SVM algoritmi bizga quyidagilarni taqdim etadi: ikkilik SVM klassifikatorini
yaratish, yadro funktsiyasi deb ataladigan maxsus funktsiyadan foydalanib, tasniflangan
ob’ektlarning xarakteristikalari vektorlarini yuqori o‘lchamli fazoga o‘tkazish va qidiruvni
amalga oshirishda yordam beradi.
SVM algoritmining umumlashtirish qobiliyati boshqa tasniflash algoritmlari va
usullarinikiga qaraganda yaxshiroq bo‘lsa-da, yadro funktsiyasi turini va parametr
qiymatlarini tanlash bilan bog‘liq bo‘lgan uni qo‘llashdagi qiyinchiliklar
yadro funktsiyalari va ma’lumotlarni tasniflash sifatiga ta’sir qiluvchi tartibga solish
parametrlari qiymatlari.
Chiziqli regressiya holatida SVM bo‘shliq va uning tashqarisida joylashgan namunalar
orasidagi masofani minimallashtirishga harakat qiladi va bo‘shliq ichiga qo‘shimcha o‘quv
namunalarini qo‘shish yakuniy bashoratga ta’sir qilmaydi. Oddiy qilib aytganda, printsip
oddiy chiziqli regressiyada bo‘lgani kabi, lekin chiziq o‘rniga bo‘shliq ishlatiladi, uning kengligi
epsilon parametri bilan boshqariladi va minimallashtirilgan yo‘qotish funksiyasi epsilonga
sezgir emas.
1
min
max(0,|
(
( )
) |
_)
n
T
i
i
i
C
y
w f x
b
e
=
®
-
+
-
1-rasm
Ba’zan ma’lumotlar shunday joylashtirilganki, uni ikki guruhga aniq ajratadigan to‘g‘ri chiziq
chizish mumkin emas. Masalan, agar nuqtalar aylana shaklida joylashgan bo‘lsa, to‘g‘ri chiziq
ularni ichki va tashqi qismlarga bo‘lolmaydi. Bunday holda, SVM ma’lumotlarni yuqori
o‘lchamli fazoga aylantirish uchun chiziqli bo‘lmagan funktsiyalardan foydalanishi mumkin.
Vizual ravishda, ikki o‘lchamli doira uch o‘lchamli bo‘shliqqa cho‘zilgan va silindrga
aylanganga o‘xshaydi. Ushbu shaklda samolyot silindrning ichidagi va tashqarisidagi
nuqtalarni osongina ajratishi mumkin. Bu «yadro hiylasi» deb ataladi.
21
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
2-rasm
Qo‘llab-quvvatlovchi vektorlar sonining bog‘liqligi
Tabiiyki, savol tug‘iladi: nima uchun qo‘llab-quvvatlash vektorlari soni bog‘liq.
Bu ishda ularning sonining samaradorlikka bog‘liqligi va sinfning kattaligi bo‘yicha, ya’ni
barcha aktsiyalari har bir mavzuga kiritilgan hujjatlar. 3-rasmda va 4-rasmda eng kam sonni
ko‘rish mumkin vektor mashinalarini qo‘llab-quvvatlashga ovoz balandligini kamaytirish
orqali erishiladi mavzular va xususiyatlarning maksimal axborot mazmuni. Bu erda siz nol
soni ekanligini tushunishimiz kerak omillar ta’limdagi hujjatlar soniga bog‘liq. Namunadagi
hujjatlar qancha ko‘p bo‘lsa, shuncha ko‘p ko‘proq belgilarni qo‘llash kerak. Shunung uchun
ikki guruh kuzatishlarni ajratishni o‘rganish kerak. Bu yerda muvozanatni saqlash muhimdir.
3-rasm
4-rasm
Xulosa:SVM matnli ma’lumotlarni klassifikatsiya qilishda kuchli va samarali vosita bo‘lib,
uning afzalliklari va moslashuvchanligi uni ko‘plab amaliyotlarda keng qo‘llash imkonini
beradi. Ushbu metod yordamida murakkab matnli va tasvirli ma’lumotlarni tahlil qilish va
ularni turli sinflarga ajratish mumkin. SVMning yuqori aniqligi va chidamliligi uni zamonaviy
ma’lumotlarga asoslangan tizimlarda keng qo‘llashga imkon yaratadi, shuningdek, yangi
tadqiqotlar va rivojlanishlar uchun istiqbolli yo‘nalish sifatida qolmoqda
FOYDALANILGAN ADABIYOTLAR VA SAYTLAR
1.
22
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
2.
https://blog.skillfactory.ru/svm-metod-opornyh-vektorov/
3.
https://habr.com/ru/articles/802185/
4.
http://itas2013.iitp.ru/pdf/1569750399.pdf
5.
Arulkumaran, K., Deisenroth, M. P., Brundage, M., & Bharath, A. A. (2017). Deep
reinforcement learning: A brief survey. IEEE Signal Processing Magazine, 34(6), 26-38.
6.
Francois-Lavet, V., Henderson, P., Islam, R., et al. (2018). An introduction to deep
reinforcement learning. Foundations and Trends® in Machine Learning, 11(3-4), 219-354.
7.
Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-
inspired artificial intelligence. Neuron, 95(2), 245-258.
