Bank mijozlarining ketib qolishini bashorat qilishning intelektual algaritimlari
![CreditScore, Age, Balance, EstimatedSalary kabi ustunlar turli diapazonga ega.
Model ishlashini yaxshilash uchun bu ustunlar MinMaxScaler yoki StandardScaler
orqali normallashtirildi.
5. Ma’lumotlarni bo‘lish
To‘plam quyidagi nisbatda taqsimlandi:
Trenirovka (train) to‘plami – 80%
Test (test) to‘plami – 20%
Bu orqali model avval o‘qitiladi, so‘ng sinovdan o‘tkaziladi.
Mazkur tayyorlash bosqichi churnni bashoratlashdagi modellar uchun muhim
poydevor bo‘lib xizmat qiladi. Endi model qurish bosqichiga o‘tiladi.
3.3. Algoritmlar tanlovi va ularning tavsifi
Churnni bashorat qilishda turli intellektual algoritmlar sinovdan o‘tkazildi. Har bir
algoritmning o‘ziga xos afzalliklari va cheklovlari mavjud bo‘lib, ular muayyan
ma’lumotlar tuzilmasida har xil natija berishi mumkin. Quyida bu kurs ishida
tanlangan asosiy algoritmlar va ularning qisqacha tavsifi keltirilgan:
1. Logistik regressiya (Logistic Regression)
Turi: Ikkilik klassifikatsiya algoritmi
Afzalligi: Soddaligi, tez ishlashi va tushunarli interpretatsiya
Kamchiligi: Faqat chiziqli (linear) bog‘liqliklar uchun samarali
Logistik regressiya churn ehtimolini foizda ifodalaydi. Bu usul churnga ta’sir
qiluvchi omillarni statistik jihatdan tushunish uchun qulay.
# 1. Kutubxonalarni yuklab olamiz
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score , confusion_matrix ,
classification_report
# 2. Datasetni yuklaymiz
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
# 3. Keraksiz ustunlarni olib tashlaymiz
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
# 4. Kategorik ustunlarni raqamlarga o'girib olamiz
df = pd.get_dummies ( df , drop_first= True )
# 5. X va y ni ajratamiz
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
# 6. Ma'lumotlarni train/test ga ajratamiz
X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size= 0.2 ,
random_state= 42 )
# 7. Logistic Regression model quramiz
7](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_7.png?v=1)
![log_model = LogisticRegression ( max_iter= 1000 )
log_model.fit ( X_train , y_train )
# 8. Bashorat qilamiz
y_pred = log_model.predict ( X_test )
# 9. Natijalarni chiqaramiz
print ( "Logistic Regression Model Natijalari:" )
print ( "Accuracy:" , accuracy_score ( y_test , y_pred ))
print ( "Confusion Matrix:\n" , confusion_matrix ( y_test , y_pred ))
print ( "Classification Report:\n" , classification_report ( y_test , y_pred ))
Kutubxona chaqirish
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score , confusion_matrix ,
classification_report
Pandas — ma'lumotlar bilan ishlash.
sklearn — model qurish va baholash uchun kerakli modullar.
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
CSV fayldan ma'lumotlarni o'qib olish.
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
Model uchun kerakmas, uncha foydali bo'lmagan ustunlar (ID, ism-familiya) olib tashlandi.
df = pd.get_dummies ( df , drop_first= True )
Gender , Geography kabi ustunlar One-Hot Encoding orqali raqamlashtirildi.
drop_first=True deb berilgani redundant ustunlarni olib tashlaydi
(multicollinearityni oldini oladi)
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
Exited — ya'ni chiqib ketganmi yoki yo'qmi (target).
Qolganlar — model uchun inputlar (features).
X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size= 0.2 ,
random_state= 42 )
80% train uchun, 20% test uchun ajratildi.
random_state=42 — har safar bir xil natija olish uchun.
y_pred = log_model.predict ( X_test )
Model yordamida X_test ustida natijalarni bashorat qilish.
print ( "Logistic Regression Model Natijalari:" )
print ( "Accuracy:" , accuracy_score ( y_test , y_pred ))
print ( "Confusion Matrix:\n" , confusion_matrix ( y_test , y_pred ))
print ( "Classification Report:\n" , classification_report ( y_test , y_pred ))
Accuracy — umumiy aniqlik foizi.
Confusion Matrix — model qanchasini to'g'ri/noto'g'ri bashorat qilganini
ko'rsatadi.
Classification Report — Precision, Recall, F1-Score kabi chuqur metrikalar
beradi.
8](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_8.png?v=1)
![Natija:
Logistic Regression Model Natijalari:
Accuracy: 0.816
Confusion Matrix:
[[1551 56]
[ 312 81]]
Classification Report:
precision recall f1-score support
0 0.83 0.97 0.89 1607
1 0.59 0.21 0.31 393
accuracy 0.82 2000
macro avg 0.71 0.59 0.60 2000
weighted avg 0.79 0.82 0.78 2000
/usr/local/lib/python3.11/dist-packages/sklearn/linear_model/
_logistic.py:465: ConvergenceWarning: lbfgs failed to converge (status=1):
STOP: TOTAL NO. of ITERATIONS REACHED LIMIT.
Increase the number of iterations (max_iter) or scale the data as shown in:
https://scikit-learn.org/stable/modules/preprocessing.html
Please also refer to the documentation for alternative solver options:
https://scikit-learn.org/stable/modules/linear_model.html#logistic-
regression
n_iter_i = _check_optimize_result(
# Confusion matrix grafikda chiqaramiz
cm = confusion_matrix ( y_test , y_pred )
plt.figure ( figsize= ( 8 , 6 ))
sns.heatmap ( cm , annot= True , fmt= 'd' , cmap= 'Blues' , xticklabels= [ "Qoldi" ,
"Ketdi" ], yticklabels= [ "Qoldi" , "Ketdi" ])
plt.xlabel ( 'Bashorat qilingan' )
plt.ylabel ( 'Haqiqiy' )
plt.title ( 'Logistic Regression Confusion Matrix' )
plt.show ()
cm = confusion_matrix ( y_test , y_pred )
confusion_matrix() funksiyasi yordamida haqiqiy qiymatlar ( y_test ) va bashorat qilingan
qiymatlar ( y_pred ) asosida confusion matrix (chalkashlik matritsasi) hosil qilinyapti.
cm — hosil bo‘lgan matritsa (2x2 o‘lchamli, chunki bu ikkilik (binary) klassifikatsiya).
Confusion Matrix qisqacha:
[0,0] — To‘g‘ri Qoldi (True Negative)
[0,1] — Noto‘g‘ri Qoldi (False Positive)
[1,0] — Noto‘g‘ri Ketdi (False Negative)
[1,1] — To‘g‘ri Ketdi (True Positive)
plt.figure ( figsize= ( 8 , 6 ))
Grafik o‘lchamini (8 dyuym kenglik va 6 dyuym balandlik) belgilayapmiz.
9](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_9.png?v=1)
![sns.heatmap ( cm , annot= True , fmt= 'd' , cmap= 'Blues' , xticklabels= [ "Qoldi" ,
"Ketdi" ], yticklabels= [ "Qoldi" , "Ketdi" ])
sns.heatmap() yordamida confusion matrix grafik ko‘rinishda chiqarilmoqda.
annot=True — katakchalar ichiga matn (raqamlar) yoziladi.
fmt='d' — butun son (integer) formatda raqamlar ko‘rsatiladi.
cmap='Blues' — ranglar palitrasi sifatida ko‘k (Blues) ranglar tanlangan.
xticklabels=["Qoldi", "Ketdi"] — x-o‘qdagi klass nomlari: model bashorati.
yticklabels=["Qoldi", "Ketdi"] — y-o‘qdagi klass nomlari: haqiqiy qiymatlar.
plt.xlabel ( 'Bashorat qilingan' )
plt.ylabel ( 'Haqiqiy' )
X-o‘q nomi — "Bashorat qilingan" (modelning chiqishi).
Y-o‘q nomi — "Haqiqiy" (testdagi asl qiymat).
plt.title ( 'Logistic Regression Confusion Matrix' )
Grafikning sarlavhasi — Logistic Regression modeli uchun confusion matrix.
plt.show ()
Tayyor grafikni ko‘rsatadi.
Kod natijasi:
2. Qaror daraxtlari (Decision Tree)
10](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_10.png?v=1)
![precision recall f1-score support
0 0.86 0.98 0.92 1607
1 0.79 0.37 0.51 393
accuracy 0.86 2000
macro avg 0.83 0.67 0.71 2000
weighted avg 0.85 0.86 0.84 2000
from sklearn.tree import plot_tree
import matplotlib.pyplot as plt
plt.figure ( figsize= ( 20 , 10 ))
plot_tree ( dt , filled= True , feature_names=df.drop ( "Exited" ,
axis= 1 ) .columns , class_names= [ "Qoldi" , "Ketdi" ])
plt.title ( "Qaror daraxti vizualizatsiyasi" )
plt.show ()
from sklearn.tree import plot_tree
import matplotlib.pyplot as plt
Bu qatorda sklearn.tree modulidan plot_tree funksiyasini va matplotlib.pyplot
kutubxonasini chaqiryapsiz.
plot_tree — qaror daraxtining ( DecisionTree ) strukturasi va qoidalarini grafikli ko‘rinishda
chizish uchun ishlatiladi.
matplotlib.pyplot esa grafik chizish uchun ishlatiladigan mashhur kutubxona.
plt.figure ( figsize= ( 20 , 10 ))
Bu kod yangi rasm ( figure ) ochadi va uning o‘lchamini (eni 20 birlik, bo‘yi 10 birlik)
belgilaydi.
Bu rasm ichiga keyin daraxt vizualizatsiyasi chiziladi.
plt.figure ( figsize= ( 20 , 10 ))
plot_tree ( dt , filled= True , feature_names=df.drop ( "Exited" ,
axis= 1 ) .columns , class_names= [ "Qoldi" , "Ketdi" ])
plot_tree funksiyasi orqali qaror daraxtini ( dt ) chizasiz.
filled=True — tugunlar (yacheykalar)ni sinfga qarab rang bilan to‘ldiradi (to‘liq rangli
bo‘ladi).
feature_names=... — daraxtda ko‘rsatiladigan xususiyat (feature) nomlari.
df.drop("Exited", axis=1).columns degani:
df dan Exited ustunini olib tashlab, qolgan ustunlarning nomlarini oladi.
Chunki Exited — maqsad (target) ustuni, xususiyat emas.
class_names=["Qoldi", "Ketdi"] — har bir klass nomini belgilaysiz:
0 uchun "Qoldi" (mijoz bankda qoldi)
1 uchun "Ketdi" (mijoz bankdan ketdi)
plt.title ( "Qaror daraxti vizualizatsiyasi" )
plt.show ()
12](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_12.png?v=1)
![Grafik ustiga "Qaror daraxti vizualizatsiyasi" deb sarlavha qo‘yasiz.
plt.show() — grafikani chizib ko‘rsatadi.
Natija:
Turi: Klassifikatsiya va regressiya
Afzalligi: Vizualizatsiyalash oson, murakkab bog‘liqliklarni aniqlay oladi
Kamchiligi: Haddan tashqari moslashuv (overfitting) xavfi mavjud
Qaror daraxtlari churnga olib keladigan asosiy omillarni aniqlashda juda foydali
bo‘ladi, masalan: mijoz yoshi, hisobdagi mablag‘, xizmatlar soni va boshqalar.
3. Random Forest
# Kutubxonalarni chaqiramiz
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error , r2_score
# Ma'lumotlarni yuklaymiz
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
# Keraksiz ustunlarni olib tashlaymiz
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
# Kategorik ustunlarni raqamlarga o'girib olamiz
df = pd.get_dummies ( df , drop_first= True )
# X va y ni ajratamiz
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
# Ma'lumotlarni Train/Test ga bo'lamiz
13](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_13.png?v=1)
![X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size= 0.2 ,
random_state= 42 )
# Model quramiz
rf_model = RandomForestRegressor ( n_estimators= 100 , random_state= 42 )
rf_model.fit ( X_train , y_train )
# Bashorat qilamiz
y_pred_rf = rf_model.predict ( X_test )
# Natijalarni ko'rsatamiz
print ( "Random Forest Regressor natijalari:" )
print ( "MSE:" , mean_squared_error ( y_test , y_pred_rf ))
print ( "R2 Score:" , r2_score ( y_test , y_pred_rf ))
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error , r2_score
Pandas — ma'lumotlarni o'qish va ishlash uchun.
train_test_split — ma'lumotlarni train/test ga bo'lish uchun.
RandomForestRegressor — Random Forest asosida regression model qurish uchun.
mean_squared_error , r2_score — model natijalarini baholash uchun metrikalar.
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
CSV fayldan Churn Modelling datasetini o‘qib olinadi.
( Kodingda bu qator yo‘q edi , lekin kerak bo'ladi.)
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
RowNumber , CustomerId , Surname ustunlari model uchun keraksiz (shaxsiy
identifikatorlar), shuning uchun olib tashlandi.
df = pd.get_dummies ( df , drop_first= True )
Gender , Geography kabi kategorik ustunlarni raqamga aylantiradi ( One-Hot
Encoding ).
drop_first=True — dummy variable trap muammosidan qochadi (keraksiz ustunni
tashlaydi).
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
X — kiruvchi xususiyatlar (features).
y — chiqish (target) qiymat, ya'ni mijoz ketganmi yoki qolganmi ( Exited = 0 yoki 1).
X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size= 0.2 ,
random_state= 42 )
Ma'lumotlarning 80% train uchun va 20% test uchun ajratildi.
rf_model = RandomForestRegressor ( n_estimators= 100 , random_state= 42 )
rf_model.fit ( X_train , y_train )
100 ta daraxtli Random Forest quriladi.
fit() — modelni o'qitish (train qilish).
y_pred_rf = rf_model.predict ( X_test )
14](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_14.png?v=1)
![Test ma'lumotlari uchun model bashorat qiladi ( predict() ).
print ( "Random Forest Regressor natijalari:" )
print ( "MSE:" , mean_squared_error ( y_test , y_pred_rf ))
print ( "R2 Score:" , r2_score ( y_test , y_pred_rf ))
MSE (Mean Squared Error) — o'rtacha kvadratik xatolik.
R2 Score — modelning ma'lumotlarga mos kelish darajasi ( 1 ga qanchalik yaqin
bo‘lsa, shunchalik yaxshi).
Natija:
Random Forest Regressor natijalari:
MSE: 0.1063975
R2 Score: 0.32611934744779114
# Grafikni chiqaramiz
# Scatter plot (haqiqiy vs bashorat qilingan)
plt.figure ( figsize= ( 10 , 6 ))
plt.scatter ( y_test , y_pred_rf , color= 'green' , alpha= 0.5 )
plt.plot ([ y_test. min (), y_test. max ()], [ y_test. min (), y_test. max ()],
color= 'red' , linestyle= '--' ) # Ideal line
plt.title ( "Random Forest Model: Haqiqiy vs Bashorat qilingan qiymatlar" )
plt.xlabel ( "Haqiqiy qiymatlar (y_test)" )
plt.ylabel ( "Bashorat qilingan qiymatlar (y_pred_rf)" )
plt.grid ( True )
plt.show ()
plt.figure ( figsize= ( 10 , 6 ))
Grafik oynasining o‘lchamini belgilayapmiz: 10 dyuym kenglik va 6 dyuym balandlik.
plt.figure() — yangi grafik oynasi (figure) yaratiladi.
plt.scatter ( y_test , y_pred_rf , color= 'green' , alpha= 0.5 )
y_test — haqiqiy (real) qiymatlar (test datasetdan).
y_pred_rf — Random Forest modelidan olingan bashorat qiymatlari.
scatter — har bir y_test va y_pred_rf juftligini nuqta shaklida grafikda chizadi.
color='green' — nuqtalar yashil rangda chiziladi.
alpha=0.5 — nuqtalar yarim shaffof (ko‘rinarli lekin ustma-ust nuqtalar sezilarli).
plt.plot ([ y_test. min (), y_test. max ()], [ y_test. min (), y_test. max ()],
color= 'red' , linestyle= '--' )
Haqiqiy va bashorat qilingan qiymatlar mukammal mos tushgan holatni ko‘rsatish uchun ideal
chiziq chizilmoqda.
[y_test.min(), y_test.max()] — y_test dagi eng kichik va eng katta qiymatlar
oralig‘ida.
color='red' — qizil rangda.
linestyle='--' — chiziq chiziqli ko‘rinishda ( -- belgilangan).
15](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_15.png?v=1)
![# Kutubxonalarni chaqiramiz
import pandas as pd
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
from sklearn.metrics import mean_squared_error , r2_score
# Ma'lumotlarni yuklaymiz
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
# Keraksiz ustunlarni olib tashlaymiz
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
# Kategorik ustunlarni raqamlarga o'girib olamiz
df = pd.get_dummies ( df , drop_first= True )
# X va y ni ajratamiz
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
# Ma'lumotlarni Train/Test ga bo'lamiz
X_train , X_test , y_train , y_test = train_test_split ( X , y , test_size= 0.2 ,
random_state= 42 )
# Model quramiz
xgb_model = XGBRegressor ( n_estimators= 100 , learning_rate= 0.1 ,
random_state= 42 )
xgb_model.fit ( X_train , y_train )
# Bashorat qilamiz
y_pred_xgb = xgb_model.predict ( X_test )
# Natijalarni ko'rsatamiz
print ( "XGBoost Regressor natijalari:" )
print ( "MSE:" , mean_squared_error ( y_test , y_pred_xgb ))
print ( "R2 Score:" , r2_score ( y_test , y_pred_xgb ))
import pandas as pd
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
from sklearn.metrics import mean_squared_error , r2_score
pandas — CSV fayldan ma'lumotlarni o'qish va ishlash uchun.
train_test_split — ma'lumotlarni train va test to'plamlariga ajratish uchun.
XGBRegressor — XGBoost algoritmiga asoslangan regression modeli yaratish
uchun.
mean_squared_error va r2_score — modelni baholash uchun metrikalar.
df = pd.read_csv ( '/content/Churn_Modelling.csv' )
Churn_Modelling.csv fayldan ma'lumotlar yuklab olinmoqda.
df = df.drop ([ 'RowNumber' , 'CustomerId' , 'Surname' ], axis= 1 )
17](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_17.png?v=1)
![RowNumber , CustomerId , Surname ustunlari model uchun foydasiz, shuning uchun olib
tashlanyapti.
(Chunki bu ustunlar individual mijoz identifikatori sifatida xizmat qiladi.)
df = pd.get_dummies ( df , drop_first= True )
Kategorik ustunlar ( Gender , Geography ) One-Hot Encoding yordamida
raqamlashtiriladi.
drop_first=True — birinchi kategoriya ustunini olib tashlab, redundant
ma'lumotdan saqlaydi (dummy variable trap oldini oladi).
X = df.drop ( 'Exited' , axis= 1 )
y = df [ 'Exited' ]
X — modelga kiruvchi xususiyatlar (featurelar).
y — model bashorat qilishi kerak bo‘lgan target ( Exited — chiqib ketgan yoki
yo‘q).
xgb_model = XGBRegressor ( n_estimators= 100 , learning_rate= 0.1 ,
random_state= 42 )
Ma'lumotlar 80% trening uchun, 20% test uchun ajratildi.
random_state=42 — natijalarni har safar bir xil qilish uchun.
xgb_model = XGBRegressor ( n_estimators= 100 , learning_rate= 0.1 ,
random_state= 42 )
XGBRegressor — Gradient Boosting texnikasiga asoslangan kuchli model.
n_estimators=100 — 100 ta daraxt (tree) o'qitiladi.
learning_rate=0.1 — har bir yangi daraxt qanchalik o'zgarishga hissa qo‘shishini
belgilaydi.
random_state=42 — tasodifiylikni nazorat qilish uchun.
xgb_model.fit ( X_train , y_train )
Train ma'lumotlari asosida model o‘zini o‘rgatadi.
xgb_model.fit ( X_train , y_train )
Model test to‘plamdagi ma'lumotlar uchun bashorat qiladi.
print ( "XGBoost Regressor natijalari:" )
print ( "MSE:" , mean_squared_error ( y_test , y_pred_xgb ))
print ( "R2 Score:" , r2_score ( y_test , y_pred_xgb ))
MSE (Mean Squared Error) — model bashoratlarining xatolik o'lchovi. (Past
bo‘lsa yaxshi.)
R2 Score — model qanday yaxshi tushuntira olganini ko‘rsatadi ( 1 ga yaqin
bo‘lsa, yaxshi).
Natija:
XGBoost Regressor natijalari:
MSE: 0.10032141208648682
R2 Score: 0.3646029829978943
# Grafikni chiqaramiz
# Scatter plot (haqiqiy vs bashorat qilingan)
plt.figure ( figsize= ( 10 , 6 ))
plt.scatter ( y_test , y_pred_xgb , color= 'blue' , alpha= 0.5 )
18](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_18.png?v=1)
![plt.plot ([ y_test. min (), y_test. max ()], [ y_test. min (), y_test. max ()],
color= 'red' , linestyle= '--' ) # Ideal line
plt.title ( "XGBoost Model: Haqiqiy vs Bashorat qilingan qiymatlar" )
plt.xlabel ( "Haqiqiy qiymatlar (y_test)" )
plt.ylabel ( "Bashorat qilingan qiymatlar (y_pred_xgb)" )
plt.grid ( True )
plt.show ()
plt.figure ( figsize= ( 10 , 6 ))
Grafik chizish uchun rasm o‘lchamini (10 dyuym kenglik va 6 dyuym balandlik)
belgilayapmiz.
plt.scatter ( y_test , y_pred_xgb , color= 'blue' , alpha= 0.5 )
y_test — haqiqiy (real) qiymatlar.
y_pred_xgb — XGBoost modelidan olingan bashorat (predict) qilingan qiymatlar.
scatter — har bir y_test va y_pred_xgb qiymatini nuqta (dot) sifatida grafikda ko‘rsatadi.
color='blue' — nuqtalar ko‘k rangda bo‘ladi.
plt.plot ([ y_test. min (), y_test. max ()], [ y_test. min (), y_test. max ()],
color= 'red' , linestyle= '--' )
alpha=0.5 — nuqtalarning shaffoflik darajasi (0 - to‘liq shaffof, 1 - to‘liq qattiq).
Bu yerda ideal chiziq chizilmoqda, ya'ni haqiqiy qiymat = bashorat qiymat.
[y_test.min(), y_test.max()] — eng kichik va eng katta haqiqiy qiymatlardan
foydalanilyapti.
color='red' — chiziq qizil rangda.
linestyle='--' — chiziq uzilgan (chiziqli) ko‘rinishda bo‘ladi.
plt.title ( "XGBoost Model: Haqiqiy vs Bashorat qilingan qiymatlar" )
Grafikning yuqorisida chiqadigan sarlavha (title) qo‘yildi.
plt.xlabel ( "Haqiqiy qiymatlar (y_test)" )
plt.ylabel ( "Bashorat qilingan qiymatlar (y_pred_xgb)" )
X-o‘q (gorizontal) va Y-o‘q (vertikal) nomlari belgilandi:
Pastdan (X o‘qi) — haqiqiy qiymatlar
Chapdan (Y o‘qi) — model bashorat qilgan qiymatlar.
plt.grid ( True )
Grafikka katakchali tarmoq (grid) qo‘shildi — grafikni o‘qish qulayroq bo‘lishi
uchun.
plt.show ()
Tayyor grafikni ko‘rsatadi.
Kod natijasi:
19](https://docx.uz/documents/4af35a47-eb01-451e-b3fb-2e54c11ce026/page_19.png?v=1)
Bank mijozlarining ketib qolishini bashorat qilishning intelektual algaritimlari
-
Похожие документы
- Bank faoliyatida avtomatlashtirilgan axborot tizimlari va texnologiyalari
- Bozor iqtisodyotning avzalliklari va kamchiliklari
- Bozor iqtisodiyoti o‘tishning hozirgi zamon modellari, bozor munosabatlariga o‘tish modellarining shakllanishi
- Firma va uning tashkiliy-iqtisodiy asoslari
- Iqtisodiy muvozanatlik, xususiy va umumiy muvozanatlik, makroiqtisodiy barqarorlik