Machine learning — kompyuter tizimining barcha qoidalarini dasturchi qo‘lda yozmasdan, ma’lumotlardagi bog‘lanishlar asosida natija chiqarish usuli. O‘zbek tilida u mashinaviy o‘rganish deb ham yuritiladi. Bu yondashuvda algoritmga misollar beriladi, algoritm esa ular orasidagi matematik munosabatni model ko‘rinishida ifodalaydi. Tayyor model avval uchramagan ma’lumot uchun tasnif, sonli bashorat yoki boshqa natijani hosil qiladi.
Ma’lumotlar va belgilar
Model o‘rganadigan yozuvlar majmuasi dataset deyiladi. Har bir yozuv obyektning bir nechta xususiyatini saqlaydi. Ushbu xususiyatlar feature, topilishi kerak bo‘lgan qiymat esa target yoki label deb ataladi. Masalan, uy narxini bashorat qilishda maydon, xonalar soni va joylashuv feature, sotuv narxi esa target bo‘lishi mumkin.
Ma’lumot odatda trening, validatsiya va sinov qismlariga ajratiladi. Trening qismi model parametrlarini hisoblashda ishlatiladi. Validatsiya qismi algoritm sozlamalarini tanlashga yordam beradi. Sinov qismi esa yakuniy modelning yangi ma’lumotda qay darajada ishlashini baholaydi. Sinov yozuvlarini treningda ishlatish natijani asossiz ravishda yuqori ko‘rsatadi.
O‘qitish turlari
Nazoratli o‘qitishda har bir trening misoli uchun to‘g‘ri javob mavjud. Natija toifa bo‘lsa klassifikatsiya, son bo‘lsa regressiya masalasi yuzaga keladi. Elektron xatni spam yoki oddiy xat sifatida ajratish klassifikatsiyaga, sotuv hajmini aniqlash regressiyaga misol bo‘ladi.
Nazoratsiz o‘qitishda tayyor javob berilmaydi. Algoritm yozuvlarni o‘xshashligiga qarab guruhlaydi yoki ma’lumot ichidagi yashirin tuzilmani aniqlaydi. Mustahkamlab o‘qitishda agent muhitda harakat qiladi va har bir harakat uchun mukofot yoki jarima oladi. Agent uzoq muddatli mukofotni oshiradigan strategiyani o‘rganadi.
Modelni baholash
Klassifikatsiyada accuracy, precision, recall va F1-score kabi ko‘rsatkichlar ishlatiladi. Ularning tanlanishi masalaga bog‘liq. Masalan, kam uchraydigan firibgarlik holatlarini aniqlashda umumiy accuracy yuqori bo‘lsa ham, haqiqiy firibgarliklarning ko‘pi topilmasligi mumkin. Bunday vaziyatda recall alohida ahamiyatga ega.
Regressiyada o‘rtacha mutlaq xato, o‘rtacha kvadratik xato va boshqa sonli mezonlar qo‘llanadi. Ko‘rsatkich model natijasi bilan haqiqiy qiymat orasidagi farqni ifodalaydi. Uni predmet sohasidagi talab bilan birga talqin qilish kerak.
Overfitting va umumlashtirish
Model trening misollariga haddan tashqari moslashib, yangi ma’lumotda yomon ishlasa overfitting yuz beradi. Juda sodda model esa muhim bog‘lanishlarni o‘rgana olmaydi; bu holat underfitting deyiladi. Model murakkabligini boshqarish, regularizatsiya, cross-validation va yetarli ma’lumotdan foydalanish ushbu muvozanatni tekshirishga xizmat qiladi.
Machine learning natijasi ma’lumot sifatiga bevosita bog‘liq. Noto‘g‘ri belgilangan, yetarli bo‘lmagan yoki bir tomonlama yig‘ilgan dataset modelga ham shu kamchiliklarni o‘tkazadi. Shu sababli model bilan birga ma’lumot manbasi, yig‘ish usuli va baholash sharoiti ham hujjatlashtiriladi.
Feature tayyorlash
Sonli featurelar ayrim algoritmlarda standartlashtiriladi, kategoriyalar esa one-hot encoding yoki boshqa sonli ifodaga o‘tkaziladi. Bo‘sh qiymatni almashtirish qoidasi faqat trening qismida hisoblanib, keyin validatsiya va sinovga qo‘llanadi. Aks holda sinov ma’lumoti trening jarayoniga bilvosita kirib, data leakage hosil qiladi.
Bog‘liq tushunchalar
Sun’iy intellekt, deep learning, dataset, feature, klassifikatsiya, regressiya, model