Supervised — input sample va unga mos to‘g‘ri target yoki label juftliklari asosida model o‘qitiladigan machine-learning yondashuvi. To‘liq nomi Supervised Learning. Model featurelardan labelga mapping o‘rganadi va yangi, ko‘rilmagan sample uchun prediction chiqaradi.
Classification va regression supervised learningning asosiy vazifalaridir.
Labeled dataset
Har sample:
x — input feature
y — target
juftligiga ega.
Masalan:
email matni → spam
uy xususiyatlari → narx
rasm → object class
Label sifati model sifatining yuqori chegarasini belgilashi mumkin.
Training
Model training sample uchun prediction qiladi.
Prediction target bilan loss orqali solishtiriladi.
Gradient yoki boshqa optimization usuli parameterlarni yangilaydi.
Jarayon ko‘p batch va epoch davomida takrorlanadi.
Classification
Target category.
Vazifalar:
Loss va output label tuzilishiga mos tanlanadi.
Evaluation precision, recall, F1 va boshqa metriclardan foydalanadi.
Regression
Target numeric qiymat.
Misollar:
- narx;
- vaqt;
- talab;
- risk;
- harorat.
MAE, RMSE, R² va task-specific metric ishlatiladi.
Feature va label
Feature prediction vaqtida mavjud bo‘lishi kerak.
Label esa model o‘rganadigan natija.
Targetdan keyin paydo bo‘ladigan feature trainingga tushsa leakage yuz beradi.
Feature va label cutoff va lineage bilan boshqariladi.
Train split
Training set parameterlarni o‘zgartiradi.
Validation set hyperparameter va checkpoint tanlaydi.
Test set yakuniy mustaqil baho.
Bir entity yoki juda o‘xshash sample turli splitga tushmasligi kerak.
Generalization
Model training data’ni yodlash emas, yangi samplega to‘g‘ri prediction berishni o‘rganishi kerak.
Generalizationga:
ta’sir qiladi.
Overfitting
Training score yuqori, validation score past.
Model training sample detailiga ortiqcha moslashgan.
Yechimlar:
Underfitting
Train va validation natijasi ikkalasi ham past.
Model capacity, feature yoki training yetarli emas.
Juda kuchli regularization va noto‘g‘ri objective ham sabab bo‘ladi.
Murakkab modelga o‘tishdan oldin data va label tekshiriladi.
Algorithm
Supervised algorithm misollari:
- linear regression;
- logistic regression;
- decision tree;
- random forest;
- gradient boosting;
- SVM;
- neural network;
- nearest neighbor.
Tanlov data hajmi, feature turi va deployment talabiga bog‘liq.
Loss
- cross-entropy;
- focal loss;
- hinge loss.
- MSE;
- MAE;
- Huber;
- quantile loss.
Loss business xarajatni yetarli ifodalashi kerak.
Class imbalance
Kam class muhim bo‘lishi mumkin.
Accuracy misleading.
Class weight, resampling, threshold va mos metric ishlatiladi.
Training sample distributioni production prevalence’dan farq qilishi mumkin.
Data augmentation
Original sample’dan labelni saqlaydigan transformlar yaratiladi.
- crop;
- flip;
- color.
Audio:
- noise;
- speed.
Text augmentation ehtiyotkor, chunki ma’no va label o‘zgarishi mumkin.
Active learning
Model eng noaniq yoki foydali samplelarni annotation uchun tanlaydi.
Bu label xarajatini kamaytirishi mumkin.
Faqat uncertainty tanlash outlierlarni ko‘p olib kelishi mumkin.
Diversity va business priority ham hisobga olinadi.
Transfer learning
Pretrained model feature representation bilan boshlanadi.
Kichik labeled datasetda fine-tuning qilinadi.
Vision, text va speechda keng tarqalgan.
Pretraining domaini juda farqli bo‘lsa foyda kamayadi.
Calibration
Classification probabilitysi real ehtimolga mos bo‘lishi kerak.
Risk va threshold qarorida calibration muhim.
Regressionda prediction interval uncertainty’ni ko‘rsatadi.
Point predictionning o‘zi yetarli emas.
Distribution shift
Production input training data’dan farq qilishi mumkin.
Sabablar:
Input va prediction drift monitoring qilinadi.
Label kechiksa sifatni baholash ham kechikadi.
Interpretability
Linear coefficient, tree importance, SHAP va local explanation model qarorini tahlil qilishga yordam beradi.
Explanation sababiy isbot emas.
Sensitive qarorlar domain ekspert va huquqiy talab bilan tekshiriladi.
Baseline
Murakkab neural modeldan oldin oddiy baseline quriladi. Classificationda majority class yoki logistic regression, regressionda mean yoki linear model ishlatilishi mumkin. Murakkab model baseline’dan sezilarli yaxshilanmasa qo‘shimcha infrastructure o‘zini oqlamasligi mumkin.
Hyperparameter tuning
Model depth, regularization, learning rate va boshqa setting validation setda tanlanadi. Juda ko‘p experiment validationga overfit qilishi mumkin. Yakuniy test set faqat tanlov tugagandan keyin ishlatiladi.
Error analysis
Noto‘g‘ri predictionlar categorylarga ajratiladi:
Keyingi improvement eng katta va tuzatiladigan xato guruhiga qaratiladi.
Production feedback
Real label keyinroq kelganda monitoring datasetiga qo‘shiladi. Model faqat o‘z predictioni bilan qayta train qilinmaydi.
Labeling cost
Supervised learningning asosiy cheklovlaridan biri sifatli label yaratish xarajati. Expert annotation, review va disagreement resolution vaqt talab qiladi. Label budget eng foydali samplelarga sarflanishi uchun active learning va stratified sampling ishlatilishi mumkin.
Pipeline reproducibility
Dataset versioni, split, preprocessing, feature mapping va model config birga saqlanadi. Faqat model weightini saqlash prediction qanday olinganini qayta tiklash uchun yetarli emas.
Fairness
Model xatosi barcha guruhlarda bir xil bo‘lmasligi mumkin. Overall accuracy yaxshi bo‘lsa ham ma’lum region, til yoki device’da sifat past bo‘lishi ehtimoli bor. Metriclar subgroup bo‘yicha tekshiriladi va data coverage bilan bog‘lanadi.
Bog‘liq tushunchalar
Supervised Learning, Labeled dataset, Feature, Label, Classification, Regression, Generalization, Overfitting, Validation, Transfer learning