Muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti farg'ona filiali 610-20 guruh talabasi Nomonov Islomjonning Mashinali o’qitish fanidan tayyorlagan Mustaqil ishi

Logistik regressiya. 
Logistik regressiya bu o'zgaruvchilardan o'zaro 
bog'liqlikni aniqlash usulidir, ulardan biri qat'iyan bog'liq, boshqalari esa 
mustaqil. Buning uchun logistik funksiyadan (akkumulyativ logistik taqsimot) 
foydalaniladi. Logistik regressiyaning amaliy qiymati shundaki, u bir yoki bir nechta 
mustaqil o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilishning kuchli statistik 
usuli hisoblanadi.
Vektorli mashinani qo'llab-quvvatlash. 
Bu sinflash va regressiya tahlili 
masalalarini hal qilish uchun zarur bo'lgan algoritmlarning butun to'plamidir. N 
o'lchovli kosmosdagi obyekt ikki sinfdan biriga tegishli ekanligiga asoslanib, qo'llab-
quvvatlovchi vektorli mashina barcha obyektlar ikki guruhdan birida bo'lishi uchun 
(N - 1) o'lchovli giperplan yaratadi. Qog'ozda uni quyidagicha ifodalash mumkin: ikki 

---

xil nuqtalar mavjud va ularni chiziqli ajratish mumkin. Ushbu usul nuqtalarni 
ajratishdan tashqari, har bir guruhning eng yaqin nuqtasidan iloji boricha uzoqroq 
joyda giperplan hosil qiladi. 
Vektorli mashinani qo'llab-quvvatlash va uning modifikatsiyalari mashinali 
o’qitishda tasvirdan odamning jinsini aniqlash, veb-saytlarda reklama bannerlarini 
namoyish qilish kabi murakkab masalalarni hal qilishga yordam beradi. 
Ansambl usuli. 
Bu sinflagichlar to'plamini yaratadigan va ularning o'rtacha yoki 
ovoz berish natijalariga ko'ra barcha olingan obyektlardan yangi obyektlarni ajratib 
turadigan mashinali o’qitish algoritmlariga asoslanadi. Dastlab ansambl usuli 
Bayesning o'rtacha ko'rsatkichi bo'lgan, ammo keyinchalik u yanada murakkablashdi 
va qo'shimcha algoritmlar bilan to'ldirildi: 
• kuchaytirish 
- klassifikatorlar ansamblini shakllantirish orqali zaif modellarni 
kuchli modellarga aylantiradi (matematik nuqtai nazardan, bu yaxshilanadigan 
kesishma); 
• potfellar (sumkalar)
- bir vaqtning o'zida asosiy sinflarni o'qitishda 
(birlashishni takomillashtirishda) murakkab klassifikatorlarni yig'adi; 
• 
chiqishdai
kodlash xatolarini tuzatish. 
Ansambl usuli mustaqil bashoratlash modellariga qaraganda kuchliroqdir, 
chunki: 
• har bir tayanch sinflagichining xatolarini o'rtacha hisoblash orqali tasodif 
ta'sirini minimallashtiradi; 
• farqni kamaytiradi, chunki har xil farazlarga asoslangan bir necha xil modellar 
alohida olingan natijalarga qaraganda to'g'ri natijaga erishish ehtimoli ko'proq.