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

4.
 
Natijalar (Results) 
4.1. Yalpi ichki mahsulotni prognozlash modellari bo`yicha natijalar 
Yalpi ichki mahsulot o`sish sur’atini prognozlashda ekonometrik modellar orasida 
benchmark model, ya’ni boshqa modellarning aniqligini solishtirishda ishlatiladigan model 
sifatida OLS (eng kichik kvadratlar usuli) modeli tanlandi.
2-jadval. 
YaIM o`sish sur’atini prognozlash modellarini baholash
205
 
Ko`rsatkich Boosting 
Random 
Forest 
Lasso 
Ridge 
VAR 
OLS 
MAE 
0.5 
1.41 
1.61 
1.79 
2.38 
3.64 
MSE 
0.367 
2.16 
4.427 
3.825 
6.073 
17.168 
Aniqlik % 
91.10% 
72.92% 
71.12% 
67.61% 
56.40% 
32.40% 
YaIM o`sish sur’atini prognozlash modellari aniqligini baholashda so`nggi to`rt yil (2016-
2019) yillardagi ko`rsatkichlarda baholash amalga oshirildi. Aniqlikni baholashning barcha 
ko`rsatkichlari bo`yicha ML modellari – Boosting va Random Forest an’anaviy 
ekonometrik modellarni ortda qoldirmoqda.
Chiziqli modellar orasida Lasso modeli oddiy eng kichik kvadratlar usulidan ham, Ridge 
regressiydan ham yuqoriroq aniqlik namoyish etmoqda. Ridge regressiya Lassoda faqat 
MSE bo`yicha ustunlik qilmoqda. MSEning kattaroq xatoliklar uchun kattaroq “jarima 
solish”ini hisobga olsak, Lasso kutilmagan o`zgarishlarni baholashda qiyinchilikka duch 
kelmoqda. Lassoning yana bir o`ziga xosligi bo`lmish – o`zgaruvchilarni tanlash qobiliyati 
ushbu jarayonda qo`l keldi. Lasso modeldagi 8 ta o`zgaruvchidan faqat 6 tasini qoldirishni 
ma’qul ko`rdi. 
205
Muallif tomonidan shakllantirildi 

---

799