Рахимова Н. Машинани укитиш презентация

1.

User
Tasniflash muammosi uchun logistik va
softmax regressiya funksiyalaridan
foydalanish. Samaradorlikni baholash
usullari. Chalkashlik matritsasi

2.

Reja
01.
02.
03.
Logistik regressiya
va softmax haqida
asosiy
tushunchalar.
Samaradorlikni
baholash usullari
va ularning
ahamiyati.
Chalkashlik
matritsasi: misollar
va tavsiflar.

3.

Logistik regressiya: asosiy
tushunchalar
Logistik regressiya
ta'rifi
Asosiy xususiyatlari
Qanday ishlaydi
Logistik
regressiya,
ma'lumotlar to'plamini tahlil
qilish va ularni ikki yoki bir
nechta
kategoriyalarga
ajratish uchun ishlatiladigan
statistik usuldir. U tasniflash
muammolarini hal qilishda
keng qo'llaniladi, chunki u
natijalarni
ehtimollar
sifatida ifoda etadi.
• Tasniflash muammolarini hal
qilishda ishlaydi.
Ehtimollik
funksiyasi
yordamida
natijalarni
hisoblaydi.
• O'zgaruvchilar o'rtasidagi
bog'lanishni aniqlaydi.
Oson
tushuniladigan
natijalar beradi.
Logistik
regressiya,
kiruvchi
o'zgaruvchilar
orqali
chiqish
o'zgaruvchisining
ehtimolini
hisoblash
uchun logit funktsiyasini
qo'llaydi.
Bu
jarayon
o'zgaruvchilar
va
natijalar
o'rtasidagi
murakkab
munosabatlarni aniqlash
imkonini beradi.

4.

Softmax regressiya:
asosiy tushunchalar
Softmax regressiya, ko'p sinfli tasniflash muammolarini hal qilish
uchun mo'ljallangan statistik usuldir. Bu usul, dastlabki xususiyatlardan
har bir sinfga mos keladigan ehtimollarni hisoblash orqali faoliyat
yuritadi.
Foydalanish sohalari:
- Tasniflash muammolari (masalan, rasm yoki matn tasnifi)
- Tibbiy tadqiqotlarda kasalliklarni klassifikatsiya qilish
- Marketingda mijozlarni segmentlash
- Ovozli va tilni tushunish tizimlarida
Softmax regressiyaning ishlash prinsipi, modelga kiritilgan xususiyatlar
asosida har bir sinf uchun ehtimollarni hisoblashdir. Bu ehtimollar,
softmax funktsiyasi yordamida o'zaro taqqosalanadi, natijada eng
yuqori ehtimollikdagi sinf tanlanadi.

5.

Logistik va Softmax regressiyalarni solishtirish
O'xshashliklar:
- Ikkala regressiya ham klassifikatsiya
vazifalarida qo'llaniladi.
- Har ikkalasi ehtimollik asosida
ishlaydi, ya'ni natijalar ehtimollik
sifatida ifodalanadi.
- Ular ma'lumotlar to'plamining
o'ziga xos xususiyatlarini inobatga
olib, turli xil klasslar orasida ajratish
imkonini beradi.
Farqlar:
- Logistik regressiya ikkita klassni ajratishda
samaraliroq bo'lsa, Softmax regressiya bir nechta
klasslar o'rtasida ajratish uchun mo'ljallangan.
- Logistik regressiya bitta chiqish ehtimolligini
hisoblaydi, Softmax esa barcha klasslar uchun
chiqish ehtimolliklarini hisoblaydi.
- Logistik regressiya odatda oddiy vazifalar uchun,
Softmax regressiya esa murakkab klassifikatsiya
vazifalari uchun afzalroq.

6.

Amaliyotdagi qo'llanilishi
**Logistik regressiya qo'llanilishi**: Logistik regressiya, asosan, ikkita yoki undan ortiq klassni tasniflash maqsadida ishlatiladi. U tibbiyotda kasalliklarni
aniqlash, marketingda mijozlarni segmentlash va moliyaviy sohada kredit riskini baholashda keng qo'llaniladi.
**Softmax regressiya qo'llanilishi**: Softmax regressiya ko'plab klasslar o'rtasida tasniflashni amalga oshirish uchun ishlatiladi, masalan, tasvirlarni tanib olish
yoki tabiiy tilni qayta ishlashda. Bu metod, har bir klass uchun ehtimolliklarni hisoblash orqali eng ko'p ehtimollikni tanlaydi.
**Statistik ma'lumotlar yoki misollar**: Masalan, logistik regressiya yordamida 1000 ta bemor ma'lumotlari tahlil qilinib, 75% aniqlik bilan kasallikning
mavjudligi prognoz qilindi. Softmax regressiya yordamida esa, 10 klassdan iborat tasvirlar to'plamida 90% aniqlik bilan to'g'ri klass aniqlangan.

7.

Samaradorlikni baholash usullari
Umumiy ma'lumotlar
Ularning ahamiyati
Amaldagi foydalanish
ko'rsatmalari
Samaradorlikni
baholash
usullari,
asosan,
turli
sohalarda
ishlatiladigan
mexanizmlar va metodlarni
o'z ichiga oladi. Ular ishlab
chiqarish
jarayonlarining
samaradorligini
oshirish,
xarajatlarni kamaytirish va
resurslardan
unumli
foydalanish
maqsadida
qo'llaniladi.
Ushbu
usullar,
masalan,
biznes
va
iqtisodiyotda
muvaffaqiyatli qarorlar qabul
qilish
uchun
zarurdir.
Samaradorlikni
baholash,
tashkilotlarning
strategik
maqsadlariga
erishishda
muhim rol o'ynaydi.
Amaldagi
foydalanish
ko'rsatmalari
sifatida,
statistik
tahlil,
benchmarking
va
xarajatlar tahlili kabi
metodlar ko'p ishlatiladi.
Ular
yordamida
tashkilotlar
o'z
faoliyatlarini
doimiy
ravishda
yaxshilash
imkoniyatiga
ega
bo'ladi.

8.

Samaradorlik baholash
usullarining turlari
Baholash usullari uchta asosiy toifaga bo'linadi: statistik, eksperimental va
boshqa usullar.
1. **Statistik usullar:**
- **Afzalliklari:** Osonlik bilan ma'lumotlarni tahlil qilish va natijalarni
umumlashtirish imkonini beradi.
- **Kamchiliklari:** Ma'lumotlar taqsimoti va ularga bog'liq bo'lgan
farqlarga sezgir.
2. **Eksperimental usullar:**
- **Afzalliklari:** Sababiy aloqalarni aniqlashda samarali; nazoratli
muhitda real natijalarni ko'rsatadi.
- **Kamchiliklari:** Odatda katta resurslar va vaqt talab etadi.
3. **Boshqa usullar:**
- **Afzalliklari:** Moslashuvchanlik va turli sharoitlarga moslashish
imkonini beradi.
- **Kamchiliklari:** Natijalar ko'pincha ob'ektiv emas va noaniqlik keltirib
chiqarishi mumkin.

9.

Chalkashlik matritsasi va uning roli
Chalkashlik matritsasi, tasniflash muammolarida
model samaradorligini baholashda muhim vosita
hisoblanadi. U to'g'ri va noto'g'ri klassifikatsiyalarni
ko'rsatadigan matritsa bo'lib, bu orqali modelning
aniqlik darajasini tushunish mumkin. Masalan, agar
model 100 ta tasvirni tasniflashda 90 ta to'g'ri natija
berayotgan bo'lsa, uning aniqligi 90% ni tashkil etadi.
Bu matritsa yordamida modelning kuchli va zaif
tomonlarini ham aniqlash mumkin.
Misol sifatida, tibbiyotda kasalliklarni aniqlashda
chalkashlik matritsasidan foydalanamiz. Agar
model saraton kasalligini aniqlashda noto'g'ri natija
bersa, bu nafaqat bemorlarga zarar yetkazishi, balki
resurslarni behuda sarflashga olib kelishi mumkin.
Shuning uchun, chalkashlik matritsasi yordamida
modelning samaradorligini baholash va uning
natijalarini yaxshilash uchun strategiyalar ishlab
chiqish muhimdir.

10.

S
W
Aniqlik ko'rsatkichlari
Sezgirlikni pastligi
Aniqlik, sezgirlik va aniqlik kabi
asosiy ko'rsatkichlar
samaradorlikni baholashda
muhim ahamiyatga ega. Bu
ko'rsatkichlar modelning to'g'ri
natijalar berishini ta'minlaydi va
jarayonlarning samaradorligini
oshiradi.
Sezgirlikning pastligi,
modelning faqat to'g'ri
tasniflashlar berishi bilan
cheklanishi mumkin. Bu, ba'zi
muhim sinflarni e'tiborsiz
qoldirishga olib kelishi
mumkin, bu esa haqiqiy
natijalarga salbiy ta'sir
ko'rsatadi.
O
T
Yangi ko'rsatkichlar
qo'shish
Ma'lumotlarni noto'g'ri talqin
qilish
Yangi baholash
ko'rsatkichlarini joriy etish
orqali samaradorlikni
oshirish imkoniyatlari
mavjud. Masalan, F1
ko'rsatkichi aniqlik va
sezgirlik o'rtasidagi
muvozanatni ta'minlashga
yordam beradi.
Ma'lumotlarning
noto'g'ri talqin qilinishi,
baholash natijalarini
buzishi mumkin. Bu,
modelning
ishonchliligini
kamaytiradi va noto'g'ri
qarorlar qabul qilishga
olib kelishi mumkin.

11.

Chalkashlik matritsasi haqida umumiy
ma'lumot
Chalkashlik
matritsasining ta'rifi
Tasniflashda
qo'llanilishi
Asosiy elementlar:
klasslar
Chalkashlik
matritsasi
tasniflash muammolarida
modelning samaradorligini
baholash
uchun
ishlatiladigan
vosita.
U
haqiqiy
va
bashorat
qilingan
qiymatlar
o'rtasidagi
farqlarni
ko'rsatadi,
bu
esa
modelning qanchalik to'g'ri
ishlayotganini
aniqlashga
yordam beradi.
Chalkashlik
matritsasi
tasniflash muammolarida,
masalan,
logistic
va
softmax
regressiya
funksiyalarining
samaradorligini
baholashda qo'llaniladi. Bu
matritsa
yordamida
modelning
to'g'ri
va
noto'g'ri
klassifikatsiya
qilingan
misollarini
aniqlash mumkin.
Chalkashlik
matritsasining
asosiy
elementlari
haqiqiy
klasslar (model tomonidan
to'g'ri belgilangan) va bashorat
qilingan
klasslar
(model
tomonidan taxmin qilingan)
hisoblanadi. Ushbu elementlar
yordamida modelning aniqligi,
aniqlik va qaytarilish kabi
ko'rsatkichlar
hisoblanuvchi
bo'ladi.

12.

Chalkashlik
matritsasining misollari
Misol 1: Tasniflash modelidan foydalanilganda chalkashlik matritsasining
ko'rinishi. Bu misolda, model to'g'ri tasniflangan va noto'g'ri tasniflangan
namunalar ko'rsatilgan. Masalan, 50 ta to'g'ri tasniflangan va 10 ta
noto'g'ri tasniflangan.
Misol 2: Turli sinflar uchun chalkashlik matritsasining natijalari. Bu yerda
uchta sinf mavjud: A, B va C. Natijalar quyidagi ko'rinishda: A sinfi uchun
30 ta to'g'ri va 5 ta noto'g'ri, B sinfi uchun 25 ta to'g'ri va 10 ta noto'g'ri, C
sinfi uchun esa 20 ta to'g'ri va 15 ta noto'g'ri tasniflangan.
Tahlil: Har bir misolda, chalkashlik matritsasining natijalari modelning
samaradorligini baholashda muhim ahamiyatga ega. To'g'ri tasniflangan
namunalarning ko'pligi modelning yuqori samaradorligini ko'rsatadi,
aksincha, noto'g'ri tasniflangan namunalarning ko'pligi modelning
kamchiliklarini ochib beradi. Bu natijalar orqali modelni yanada
takomillashtirish uchun qadamlar belgilash mumkin.

13.

Chalkashlik matritsasining tavsifi
Chalkashlik matritsasi, klassifikatsiya modellarining
samaradorligini baholashda muhim rol o'ynaydi. U
quyidagi ko'rsatkichlarni o'z ichiga oladi: aniqlik,
to'g'rilik, qaytish va F1 o'lchovi. Aniqlik (Accuracy) - to'g'ri
tasniflangan misollar sonining umumiy misollar soniga
nisbati. To'g'rilik (Precision) - to'g'ri tasniflangan ijobiy
misollar sonining barcha ijobiy tasniflangan misollar
soniga nisbati. Qaytish (Recall) - to'g'ri tasniflangan
ijobiy misollar sonining barcha haqiqiy ijobiy misollar
soniga nisbati. F1 o'lchovi - to'g'ri tasniflangan ijobiy
misollar va qaytish ko'rsatkichining harmonik o'rtacha
hisobiga asoslangan ko'rsatkichdir.
Aniqlik formulasi: Accuracy
= (TP + TN) / (TP + TN + FP +
FN)
To'g'rilik formulasi: Precision
= TP / (TP + FP)
Qaytish formulasi: Recall =
TP / (TP + FN)
F1 o'lchovi formulasi: F1 = 2 *
(Precision * Recall) /

14.

Chalkashlik matritsasida tushunmovchiliklar
Chalkashlik matritsasida eng ko'p uchraydigan tushunmovchiliklar:
- Kategoriyalar o'rtasidagi chalkashliklar.
- To'g'ri va noto'g'ri tasniflashning noaniqligi.
Tushunmovchiliklarni engish uchun strategiyalar:
- Ma'lumotlarni yaxshilab o'rganish.
- Model natijalarini tahlil qilish.
Qanday qilib chalkashlik matritsasidan to'g'ri foydalanish kerakligi haqida maslahatlar:
- Natijalarni aniq tushuntirish.
- Kategoriyalarni optimallashtirish.

15.

Xulosa
Logistik va Softmax
regressiyasi
Samaradorlikni
baholash
Tahlil natijalari
Logistik va Softmax
regressiyasi
tasniflash
muammolarida keng
qo'llaniladi.
Ikkala
metod ham o'xshash
usullarga ega va birbirini to'ldiradi.
Samaradorlikni
baholashda
chalkashlik
matritsasi
muhim
rol
o'ynaydi.
Bu
baholash metodlari
natijalarni
aniq
ko'rsatishga yordam
beradi.
Tahlil
natijalari
tasniflash
muammolaridagi
natijalarni
ko'rsatadi.
Bu
natijalar
qaror
qabul
qilish
jarayonida muhim
ahamiyatga ega.

16.

Q&A