Международный научно-образовательный электронный журнал «образование и наука в XXI веке». Выпуск №25 (том 2)

3.3. Modellarni baholash. 
Modellarning prognozlash imkoniyatlarini to`g`ri baholay oish muhim ahamiyat kasb etadi. 
Ekonometrik modellarda modelni baholash u tuzilgan ma’lumotlarning o`zida bo`lib o`tadi. 
Masalan, model 2000-2019 yil ma’lumotlari uchun tuzilgan bo`lsa, shu ma’lumotlar uchun 
ma’lum metrikalar asosida, aytaylik determinatsiya koeffitsienti (
𝑅
2
)
yoki approksimatsiya 
xatoligi asosida baholanib, 10%dan kichik approksimatsiya xatoligiga erishgan model 
qoniqarli deb baholanadi va prognozlash uchun qabul qilinadi. Lekin, ushbu holatda 
tanlanmadan tashqaridagi ko`rsatkichlarni prognozlashda ushbu model yaramaydi.
ML metodlari bo`yicha modelning baholashda ma’lumotlar ikki qismga ajratiladi: model 
tuziladigan va model tekshiriladigan. Bunda, ikkinchi qismdagi ma’lumotlarni model hech 
qachon “ko`rmaganligi” tufayli ularda model aniqligini tekshiriladi. Bu xuddi model 
hozirgi vaqtda emas, oldinroq tuzilib hozirgi kunda qilingan prognozlar amaldagi 
ko`rsatkichlar bilan tekshirilayotganday deyish mumkin. 
Modelni baholashda ishlatiladigan asosiy ko`rsatkich sifatida approksimatsiya xatoligi 
(Mean Absolute Percentage Error, MAPE) ni ko`rsatish mumkin
201
𝑀𝐴𝑃𝐸 =
1
𝑛
∑ |
𝑦̂−𝑦
ℎ𝑎𝑞
𝑦
ℎ𝑎𝑞
| ∙ 100
(17) 
Baholashda approksimatsiya xatoligini to`g`ridan-to`g`ri ishlatmasdan model aniqligi 
tushunchasi ishlatiladi
202
: 
𝐴𝑛𝑖𝑞𝑙𝑖𝑘 (%) = 100 − 𝑀𝐴𝑃𝐸
(18) 
Shu orqali, modelning aniqligi haqida foizda tushunchaga ega bo`lish mumkin. 
MAPE dan tashqari absolut o`rtacha xatolik (Mean Absolute Error, MAE) ko`rsatkichi ham 
ishlatilib, u har bir prognoz haqiqatdagi qiymatdan qanchaga xatolik bo`lishi o`rtacha 
qiymatini ko`rsatadi
203
. 
𝑀𝐴𝐸 =
1
𝑛
|𝑦̂ − 𝑦
ℎ𝑎𝑞
|
(19) 
201
de Myttenaere, B Golden, B Le Grand, F Rossi (2015). "Mean absolute percentage error for regression models", 
Neurocomputing 2016 
202
Muallif tomonidan shunday belgilash kiritildi 
203
 
https://medium.com/human-in-a-machine-world/mae-and-rmse-which-metric-is-better-e60ac3bde13d
 (20/01/2020) 

---

797 
O`rtacha kvadrat chetlanish yoki MSE (Mean Squared Error) ko`rsatkichi MAE dan farqli 
ravishda absolut xatolik darajasi oshgani sari umumiy model aniqligining kamayib borishi 
bilan ajralib turadi. Bu metrika katta darajadagi xatoliklarni aniqlash uchun ishlatiladi
204
. 
𝑀𝑆𝐸 =
1
𝑛
∑(𝑦̂
𝑖
− 𝑦
𝑖
)
2
𝑛
𝑖=1
Ushbu ko`rsatkichlar yordamida modelning aniqligini to`g`ri baholash imkoniyati bo`ladi. 
Xatolik darajasini aniqlashda har uchala ko`rsatkichning natijalarini birgalikda baholash 
modellar ichida eng yaxshisini tanlab olish imkonini beradi. Ayrim modellar aniqlik 
darajasi yaxshi bo`lsa-da, kvadrat xatolik darajasi yuqori darajada bo’lishi mumkin.
204
Wackerly, Dennis; Mendenhall, William; Scheaffer, Richard L. (2008). Mathematical Statistics with Applications (7 ed.). 
Belmont, CA, USA: Thomson Higher Education. ISBN 978-0-495-38508-0. 

---

798