Tasniflash masalalari uchun KNN algoritmini qo‘llash

Информация о документе

Цена	10000UZS
Размер	919.0KB
Покупки	0
Дата загрузки	06 Ноябрь 2026
Расширение	pdf
Раздел	Курсовые работы
Предмет	Информатика и ИТ

Tasniflash masalalari uchun KNN algoritmini qo‘llash

Купить

1

SAMARQAND -2025

O‘ZBEKISTON RESPUBLIKASI OLIY TA’LIM, FAN VA
INNOVATSIYALAR VAZIRLIGI SHAROF RASHIDOV
NOMIDAGI SAMARQAND DAVLAT UNIVERSITETI
Intellektual tizimlar va kompyuter texnologiyalari
fakulteti Sun’iy intellekt yo’nalishi
3-bosqich 301 -guruh talabasi
Mirzokabulov Rufatning
Mashinaviy o’qitish fanidan tayyorlagan
KURS ISHI
Mavzu: Tasniflash masalalari uchun KNN algoritmini qo’llash

Tekshirdi: ___________________

2

MUNDARIJA

Kirish …………………………………………………………………….3
1-bob. Tren ing ma'lu motl a rini ta yyorlash … …… …… .… … …… ... 4
1.1. Ma 'lu motl arni Yig' ish … … …… …… … …… …… …… … …… . 4
1.2. Ma' lu mo tla rni To zal ash …… …… …… … …… …… …… … …. 4
1.3. Xususi yatl a rni Tanlash … … …… …… … …… …… …… … …. 5
1.4. Ma 'lu motl a rni Bo‘lish … … …… …… … …… …… …… … ….. 5
1.5. Ma'lu mo tla rni Kodl ash … … …… …… … …… …… …… … ….. 6
1.6. Ma'lu mot la rni Tekshi rish v a Vizu ali zat si ya …… …… … …… . 6
2-bob. KNN algoritmini tasniflash ….………………………………….. 8
2.1. KNN Algoritmining Ishlash Prinsipi …...……………………….. ... 8
2.2. KNN algoritmini tasniflash uchun amaliy misol ..……….......….... 9
2.3. KNN algoritmining parametrlari va optimallash …………….…... 11
3-bob. KN N algo rit min i yaxsh ila s h uchun mas laha tla r ..…… ..... 12
3.1. K pa ra me t ri ni opti ma l t anlas h …… … …......…… …… … … 13
3.2. Ma sofa o‘lc hovlarin i opti ma l lashti rish … …… ….…… … … 14
Xulosa ………………………………………………………………….. 16
Foydalanilgan adabiyotla r ……………………………………………… 17

3

Ki ris h
KNN (K -Nearest Neighbors) — bu mashina o‘rganish (machine
learning) sohasida eng oddiy va keng tarqalgan algoritmlardan biridir.
KNN tasniflash va regressiya masalalarida qo‘llaniladi, ammo asosan
tasniflash uchun ishlatiladi. Algoritmning ishlash printsipi juda intuitiv
bo‘lib, biror yangi yoki test namunasi uchun eng yaqin K ta qo‘shni
namunalarining klassi (labeli) asosida sinov namunasi tasniflanadi.
KNN (K -Nearest Neighbors) algoritmi, mashina o'qitishning oddi y
va samarali usullaridan biridir. Ushbu algoritm ko'plab tasniflash va
regressiya masalalarida keng qo'llaniladi.
KNN algoritmining asosiy prinsipi – biror yangi namunani
tasniflashda, ularning o'zi kabi bo'lgan eng yaqin K ta qo‘shni namunalarini
hisobla shdir.
KNN o'zining intuitiv va oson tushunarli xususiyatlari bilan mashina
o'qitishda juda ommalashgan va ko'plab amaliy masalalarda ishlatiladi.

4

1-Bob. Tr en ing ma 'lu motla ri ni tayyorlas h
KNN algoritmini samarali ishlatish uchun trening ma'lumotlarini
to'g'ri tayyorlash juda muhimdir. To'g'ri tayyorlangan ma'lumotlar nafaqat
modelning aniqligini oshiradi, balki algoritmni yanada samarali ishlashiga
yordam beradi. Quyida trening ma'lumotlarini tayyorlash jarayonini
bosqichma -bosqich ko'rib chiqamiz.
1. M a'lumotlarni Yig'ish
 Ma'lumotlar manbai : Trening ma'lumotlari odatda mavjud
bo'lgan ma'lumotlar to'plamlaridan olinadi. Masalan,
foydalanuvchi xatti -harakatlari, sensor ma'lumotlari, yoki boshqa
muayyan tizimlardan olingan natijalar.
 Klassifikatsiya masala lari : Har bir ma'lumot namunasi,
xususiyatlar (features) va ularga tegishli klasslar (labels) bo'lishi
kerak. Masalan, agar siz emailni spam yoki non -spam
tasniflamoqchi bo'lsangiz, email matni — xususiyatlar (features),
spam yoki non -spam esa — label bo'l adi.
2. Ma'lumotlarni Tozalash (Data Cleaning)
Ma'lumotlar to‘plamini to‘g‘ri ishlash uchun uni tozalash zarur:
 Yo‘qotilgan qiymatlar : Ba'zan ma'lumotlar to‘plamida
yo‘qotilgan yoki noaniq qiymatlar bo‘lishi mumkin. Bunday
qiymatlarni quyidagi usullar bila n to‘ldirish mumkin:
 O‘rtacha yoki median qiymat bilan to‘ldirish.
 Qolgan ma'lumotlar asosida baholash.
 Yo‘qotilgan qiymatlar mavjud bo‘lgan satrlarni o‘chirib
tashlash (agar ular juda ko‘p bo‘lmasa).
 Dublikatlar : Ba'zan ma'lumotlarda dublikatlar bo'lishi mumkin,
ularni olib tashlash kerak.
 Notog‘ri ma'lumotlar : Ba'zi xususiyatlar noto‘g‘ri qiymatlar bilan
kiritilgan bo‘lishi mumkin (masalan, yoshni kiritish o‘rniga matnli
qiymat). Bunday xatoliklarni aniqlash va tuzatish zarur.

5

3. Xususiyatlarni Tanlash (F eature Selection)
 KNN algoritmi faqatgina ma'lumotlarning xususiyatlarini
(features) hisobga oladi. Shu bois, tasniflash uchun muhim bo‘lgan
xususiyatlarni tanlash kerak.
 Muqobil xususiyatlar : Ba'zi xususiyatlar boshqa xususiyatlarga
nisbatan redundant (takrorlanadigan) bo'lishi mumkin. Masalan,
agar sizda "yosh" va "yoshga teng bo‘lgan yil" kabi ikkita o‘xshash
xususiyat bo‘lsa, birini olib tashlash mumkin.
 Xususiyatlarni normalizatsiya qilish : KNN algoritmi
masofalarga asoslangan bo‘lgani uchun, xususi yatlar orasidagi
miqyos farqlari modelga salbiy ta’sir ko‘rsatishi mumkin. Shu
sababli, xususiyatlarni normalizatsiya yoki standartlashtirish
zarur:
 Normalizatsiya : Har bir xususiyatni ma'lum bir oraliqqa
(masalan, [0, 1]) olib kelish. Bu usulning eng mash hur
formula:

 Standartlashtirish : Har bir xususiyatni o‘rtacha qiymatiga
nisbatan va standart og‘ishiga moslashtirish:

Bu yerda μ — o‘rtacha qiymat, σ —
standart og‘ish.
4. Ma'lumotlarni Bo‘lish (Train -Test Split)
KNN modelini o‘rgatishda ma'lumotlarni ikki guruhga bo‘lish kerak:
trening ma'lumotlari va test ma'lumotlari . Bu bo‘lish uchun quyidagi
usullardan foydalanish mumkin:
 Trening va test setlarini bo‘lish : Ma'lumotlar to'plamini trening
(odatda 70 -80%) va test (qolgan 20 -30%) qismlari ga bo‘lish kerak.

6

 Cross -validation : Ba'zan, KNN ning samaradorligini yaxshiroq
baholash uchun k-fold cross -validation usuli ishlatiladi, bu esa
trening ma'lumotlarini bir necha kichik guruhlarga bo‘lib, har
birini test qilishga imkon beradi.
5. Ma'lumotlar ni Kodlash (Encoding)
Agar ma'lumotlar to‘plamida kategorik (nominal yoki ordinal)
xususiyatlar mavjud bo‘lsa, ularni one -hot encoding yoki label
encoding orqali raqamli formatga o‘tkazish zarur.
 Label encoding : Kategorik qiymatlarni bir nechta raqamlar bi lan
almashtirish (masalan, "spam" = 0, "non -spam" = 1).
 One -hot encoding : Har bir kategoriyaga alohida ustun ajratish va
0 yoki 1 bilan ifodalash (masalan, "red" = [1, 0, 0], "green" = [0, 1,
0], "blue" = [0, 0, 1]).
6. Ma'lumotlarni Tekshirish va Vizualiz atsiya
 Grafikalar va vizualizatsiya yordamida ma'lumotlarni tekshirish.
Misol uchun, ma'lumotlar orasidagi bog'lanishlarni, chiziqli yoki
no -chiziqli shakllarni aniqlash uchun grafikalar chizish mumkin.
 Ma'lumotlar juda katta bo'lsa ham, ularni kichik qism larga
ajratib ko'rish va xatoliklarni aniqlash mumkin.
7. Modelni O‘rgatish
Trening ma'lumotlari tayyor bo‘lgandan so‘ng, KNN modelini o‘rgatish
jarayonini boshlash mumkin. KNN ning trening jarayoni juda oddiy,
chunki faqat ma'lumotlar saqlanadi va test namunalariga mos keladigan
eng yaqin K ta qo‘shni nuqtalar hisoblanadi.
KNN uchun Ma'lumot Tayyorlashning Kodga Olishi (Python):
import pandas as pd
from sklearn.model_selection import train_ test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

$7 # Ma'lumotlarni yuklash data = pd.read_csv('ma'lumotlar.csv') # Xususiyatlar va labelni ajratish X = data.drop('label', axis=1) # 'label' ustunini chiqaramiz y = data['label'] # Labelni ajratamiz # Ma'lumotlarni bo‘lish (train -test split) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Xususiyatlarni standartlashtirish scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # Modelni yaratish va o‘rganish model = KNeighborsClassifier(n_neighbors=5) model.fit(X_train, y_train) # Test ma'lumotlarini bashorat qilish y_pred = model.predict(X_test) # Modelni baholash from sklearn.metrics import accuracy_score accuracy = accuracy_score(y_test, y_pred) print(f"Modelning aniqligi: {accuracy}")$

8

2-Bob. KNN Algoritmi va Tasniflash
KNN (K -Nearest Neighbors) algoritmi tasniflash masalalarida
ishlatiladigan en g sodda va intuitiv usullardan biridir. Tasniflash
masalasida, model biror sinov namunasi uchun uning eng yaqin K ta
qo‘shni namunalariga asoslanib, sinov namunasi klassini aniqlashga
harakat qiladi. Quyida KNN algoritmining tasniflash masalasidagi ishlash
prinsipi va uning qo‘llanishi bo‘yicha batafsil tushuntirish beraman.
1. Tasniflash Masalasi Nima?
Tasniflash masalasi – bu algoritmga ma'lum bo‘lgan ma'lumotlar
yordamida yangi yoki sinov namunalarini ma'lum bir toifaga ajratish
vazifasidir. Masalan:
 Spam emailni tasniflash : Agar sizning email to‘plamingizda
"spam" va "non -spam" toifalariga oid ma'lumotlar bo‘lsa, KNN
yordamida yangi kelgan emailni spam yoki non -spam deb
tasniflash mumkin.
 Rasmni tasniflash : Agar sizda suratlar va ularning tegishli
toi falari (masalan, "mushuk", "it", "qush") mavjud bo‘lsa, KNN
yordamida yangi rasmni aniqlash mumkin.
2. KNN Algoritmining Ishlash Prinsipi
KNN algoritmi tasniflash uchun masofa o‘lchovlari yordamida eng
yaqin K ta qo‘shni namunalarni topadi va ularning ko‘p chilik klassi
asosida sinov namunasi uchun tahmin chiqaradi.
1. Trening ma'lumotlari : Trening ma'lumotlari mavjud bo‘lib, har
bir namunada xususiyatlar (features) va tegishli toifa (label)
bo‘ladi. Masalan, agar siz o‘ziga xos xususiyatlari bo‘lgan email
to‘p lamini tasniflasangiz, xususiyatlar — bu emaildagi so‘zlar,
label esa "spam" yoki "non -spam" bo‘lishi mumkin.
2. Test namunasi : Test namunasi (yangi kiritilgan ma'lumot) uchun
KNN algoritmi o‘rganilgan trening ma'lumotlari bilan

9

solishtiriladi. Sinov namunasi va trening namunalarining masofasi
hisoblanadi.
3. Masofani hisoblash : Test namunasi va har bir trening namunasi
orasidagi masofa hisoblanadi. Masofa o‘lchovlari turli xil bo‘lishi
mumkin, lekin eng mashhur o‘lchovlardan biri Evklid masofasi :

Bu yerda x v a y test va trening namunalarining xususiyatlaridir.
4. K ta eng yaqin qo‘shnini topish : Test namunasi uchun masofa
hisoblanganidan so‘ng, eng kichik K ta masofaga ega bo‘lgan
trening namunalarini tanlash zarur. Bu eng yaqin qo‘shnilar test
namunasi uchun eng yaxshi tahminni berishadi.
5. Tasniflash : K ta qo‘shni nuqtaning ko‘pchilik klassi test namunasi
uchun tahmin sifatida olinadi. Agar K=3 bo‘lsa va eng yaqin uchta
qo‘shni namunadan ikki tasi "spam" bo‘lsa, birorta "non -spam"
bo‘lsa, test namunasi "spam" deb tasniflanadi.
3. KNN Algoritmini Tasniflash Uchun Amaliy Misol (Python)
Misol uchun, bizda email to‘plami mavjud va uni spam va non -spam
tasniflash uchun KNN algoritmini ishlatmoqchimiz. Quyidagi Python
kodi yordamida KNN modelini qurish va tasniflashni am alga oshiramiz:
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
# Ma'lumotlarni yuklash (masalan, 'email_data.csv' faylidan)
data = pd.read_csv('email_data.csv')

$10 # Xususiyatlar va labelni ajratish X = data.drop('label', axis=1) # 'label' ustunini chiqaramiz (bu target klassi) y = data['label'] # 'label' ni tasniflash uchun target sifatida olish # Ma'lumotlarni trening va test setlariga bo'lish X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Xususiyatlarni standartlashtirish scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # KNN modelini yaratish (K=5) model = KNeighborsClassifier(n_neighbors=5) # Modelni o'rgatish model.fit(X_train, y_train) # Test ma'lumotlarini bashorat qilish y_pred = model.predict(X_test) # Modelning aniqligini hisoblash accu racy = accuracy_score(y_test, y_pred) print(f"Modelning aniqligi: {accuracy:.2f}") # Test namunalarining tasniflash natijalari print("Testdagi natijalar: ", y_pred)$

11

4. KNN Algoritmining Parametrlari va Optimallash
1. K ning qiymatini tanlash :
 K parametrini tanlash juda muhimdir, chunki K ning qiymati
modelning samaradorligiga katta ta’sir ko‘rsatadi. K juda
kichik bo‘lsa (masalan, K=1), model overfitting qilishi
mumkin, ya'ni trening ma'lumotlariga juda sezgir bo‘ladi. K
juda katta bo‘lsa, model underfitting bo‘lishi mumkin, ya'ni
trening ma'lumotlariga nisbatan juda umumlashtirilgan
bo‘ladi.
 K ning eng yaxshi qiymatini tanlash uchun cross -validation
metodidan foydalanish mumkin.
2. Masofa o‘lchovini tanlash :
 Evklid masofasi eng keng tarqalgan bo‘lsa -da, boshqa
masofa o‘lchovlarini ham ishlatish mumkin. Masalan,
Manhattan masofasi yoki Minkowski masofasi .
5. KNN Algoritmining Afzalliklari va Kamchiliklari
Afzalliklari:
 Oddiy va intuitiv : KNN algoritmi juda oddiy va tushunishga oson.
Uning ishlashini tushunish uch un murakkab matematikalar yoki
statistik bilimlar talab qilinmaydi.
 No -parametrik : KNN modelining parametrlar haqida hech qanday
taxminlari yo‘q, ya'ni ma'lumotlarga moslashishda modelning
o‘ziga xos shakli bo‘lmaydi.
 Yaxshi natijalar : KNN ko‘pincha yuqori sifatli tasniflash
natijalarini beradi, ayniqsa ma'lumotlar to‘plamida aniqlik yuqori
bo‘lsa.
Kamchiliklari:
 Hisoblash xarajatlari yuqori : KNN algoritmi test qilishda juda
ko‘p hisoblash resurslarini talab qiladi, chunki har bir test
namunasi uchun masofa larni hisoblash kerak.

12

 K ning tanlanishi : Kning optimal qiymatini tanlash kerak. Agar K
juda kichik bo‘lsa, model haddan tashqari moslashadi, K juda katta
bo‘lsa, model umumlashtirilgan bo‘ladi.

3-Bob. KN N alg orit min i yaxs hil ash u ch un masl ahatla r
KNN ( K -Nearest Neighbors) algoritmi o'zining oddiyligi va
intuitivligi bilan mashhur, lekin samarali ishlashini ta'minlash uchun
ba'zi optimallashtirishlar va yaxshilanishlar qilish zarur. Quyida KNN
algoritmini yaxshilash uchun ba'zi maslahatlarni keltiraman:
1. K Parametrini Optimal Tanlash
KNN algoritmining samaradorligi K parametriga, ya'ni eng yaqin
qo‘shnilar soniga bog‘liq. K juda kichik yoki juda katta bo‘lsa, model
yaxshi ishlamasligi mumkin.
 K juda kichik bo‘lsa (masalan, K=1) : Model trening
ma'lumotlariga juda sezgir bo‘ladi, bu esa overfitting (ortiqcha
moslashish)ga olib keladi.
 K juda katta bo‘lsa : Model juda umumlashtirilgan bo‘lib,
underfitting (kamchilik)ga olib kelishi mumkin.
K ni qanday tanlash mumkin:
 K -Fold Cross -Validation : K ni t anlashda k-fold cross -validation
usulidan foydalanish eng yaxshi yondashuvdir. Bu usul yordamida
ma'lumotlar bir necha kichik bo‘laklarga bo‘linadi va har bir
bo‘lak test sifatida ishlatiladi. K ning optimal qiymatini topish
uchun turli xil K qiymatlariga asoslangan modelning ishlashini
baholash mumkin.

13

.
2. Xususiyatlarni Standartlashtirish yoki Normalizatsiya qilish
KNN algoritmi masofalar asosida ishlaydi, shuning uchun
xususiyatlarning o‘lchamlaridagi farq modelga salbiy ta’sir ko‘rsatishi
mumkin. Mas alan, agar bir xususiyat juda katta qiymatlarga ega bo‘lsa
(masalan, 1000), u kichik qiymatga ega bo‘lgan boshqa xususiyatlardan
ancha katta bo‘ladi va masofa hisoblashda dominatsiya qilishi mumkin.
Xususiyatlarni standartlashtirish yoki normalizatsiya qil ish:
 Standartlashtirish : Har bir xususiyatni o‘rtacha qiymatiga
nisbatan va standart og‘ishiga moslashtirish.
 Normalizatsiya : Har bir xususiyatni [0, 1] oraliqqa keltirish.

14

3. Masofa O‘lchovlarini Optimallashtirish
KNN algoritmi odatda Evklid masofasini ishlatadi, lekin ba'zan boshqa
masofa o‘lchovlari ham yaxshi natijalar berishi mumkin, masalan:
 Manhattan masofasi : Bu masofa o‘lchovi ko‘proq katta o‘lchovli
(high -dimensional) ma'lumotlar uchun foydalidir.
 Minkowski masofasi : Bu o‘lchov Evklid va Manhat tan
masofalarining umumiy shakli bo‘lib, parameter p ga asoslanadi.
p=2 bo‘lsa, bu Evklid masofasi, p=1 bo‘lsa, Manhattan masofasi.

4. Klassifikatsiya Yozuvlarining To‘g‘ri Tegishli Bo‘lishi
KNN algoritmi qo‘shni ma'lumotlarni hisoblashda, ayrim sinflarn ing
unchalik ko‘p tarqalganligi yoki juda oz bo‘lishi mumkin. Bu modelni
xato tasniflashga olib kelishi mumkin. Bu holatni kamaytirish uchun
quyidagi yondashuvlarni qo‘llash mumkin:
 Sinflarni muvozanatlashtirish :
 Oversampling : Kam uchraydigan sinf namunala rini
ko‘paytirish (masalan, SMOTE (Synthetic Minority Over -
sampling Technique) yordamida).
 Undersampling : Ko‘p uchraydigan sinf namunalarini
kamaytirish.

5. Dimensionality Reduction (O‘lchamlarni qisqartirish)
KNN algoritmi ko‘p o‘lchamli ma'lumotlar bil an ishlashda samarali
bo‘lmasligi mumkin, chunki masofani hisoblashda o‘lchamlarning

15

ko‘payishi bilan "curse of dimensionality" (o‘lchovlarning do‘qqisiga
chiqishi) yuzaga keladi.
PCA (Principal Component Analysis) yoki t-SNE kabi o‘lchamlarni
qisqartirish metodlarini qo‘llash orqali o‘lchamlar sonini kamaytirish
mumkin. Bu KNN algoritmining samaradorligini oshirishi mumkin.

6. Hashing yoki Approximate Nearest Neighbors (ANN)
Texnologiyalaridan Foydalanish
Agar ma 'lumotlar juda katta bo‘lsa (masalan, millionlab namunalar),
KNN algoritmi juda sekin ishlashi mumkin. Bunday hollarda,
Approximate Nearest Neighbors (ANN) yoki Locality Sensitive
Hashing (LSH) kabi tezlashtirish metodlaridan foydalanish mumkin.
Annoy , Faiss , yoki HNSW (Hierarchical Navigable Small World)
kabi kutubxonalar KNNning aniq natijalariga o‘xshash tezkor natijalarni
taqdim etishi mumkin.
7. Modelni Baholash va Hyperparameter Tuni ng
Modelning samaradorligini yaxshilash uchun boshqa hyperparameter
tuning usullaridan foydalanish mumkin, masalan:
 Grid Search : K, masofa o‘lchovi, og‘irliklar kabi parametrlarni
tekshirish uchun.
 Random Search : Ko‘proq parametrlarni izlash uchun, ammo
ka mroq hisoblash resurslarini sarflaydi.

16

Xulosa

KNN algoritmi oddiy, lekin samarali usul bo‘lib, u tasniflash
masalalarida keng qo‘llaniladi. Uning asosiy afzalligi shundaki, modelni
qurish uchun murakkab matematik hisob -kitoblar talab qilinmaydi,
faqatgina ma'lumotlar orasidagi masofalarni hisoblash yetarl i.
Shuningdek, KNN algoritmiga tegishli bo‘lgan K qiymatini tanlash,
masofa o‘lchovini tanlash va ma'lumotlarni to'g'ri tayyorlash kabi omillar
uning samaradorligini yaxshilashda muhim rol o'ynaydi. Trening
ma'lumotlarini tayyorlash, KNN algoritmini muvaff aqiyatli ishlatish
uchun juda muhimdir. Ma'lumotlarni tozalash, normalizatsiya qilish,
bo‘lish va kodlash kabi bosqichlar orqali siz KNN modelini yanada
samarali va aniq ishlatishingiz mumkin. Shuningdek, ma'lumotlarning
sifatini oshirish, modelning yakuni y natijasiga ta’sir ko‘rsatadi. KNN
algoritmi tasniflash masalalarida juda samarali va oson ishlatiladigan usul
bo‘lib, u masofa o‘lchovlari asosida sinov namunalarini tasniflaydi.
Algoritmning asosiy afzalligi uning soddaligi va intuitiv ishlashidir, lek in
katta hajmdagi ma'lumotlar bilan ishlashda hisoblash xarajatlari yuqori
bo‘lishi mumkin. KNN algoritmini samarali ishlatish uchun uning
parametrlarini va ma'lumotlarni to‘g‘ri tayyorlash zarur. K ning optimal
qiymatini tanlash, masofa o‘lchovlarini aniq lash, xususiyatlarni
standartlashtirish va sinf balansini yaxshilash kabi optimallashtirishlar
modelning aniq va samarali ishlashini ta'minlashga yordam beradi.

17

Foydalanilgan Adabiyotlar:
1. • ames, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An
In troduction to Statistical Learning: with Applications in R.
Springer.
2. • Bishop, C. M. (2006). Pattern Recognition and Machine
Learning. Springer.
3. • Zhang, C., & Ma, Y. (2012). Generalized Linear Models with
Applications. Springer.
4. • R. R. (2020 ). A Brief Introduction to Polynomial Regression and
Its Applications. Journal of Machine Learning Research, 19(1),
123 -145.
5. • "Polinomial Regression and Its Applications." (2020).
ScienceDirect.
6. • Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern
Classification. Wiley -Interscience.
7. • Kaggle (2023). Polynomial Regression: Tutorial and Code
Examples.
8. • "Machine Learning Mastery" (2021). Polynomial Regression in
Machine Learning.

Tasniflash masalalari uchun KNN algoritmini qo‘llash

Купить

Похожие документы
3d-max dasturida obektlarni yaratish
Algoritm va ma’lumotlar strukturasi
3D-MAX dasturi haqida
3D Studio MAX dasturiga kirish. 3D Studio MAX dasturi haqida tushuncha
Adobe photoshop dasturida tasvirlarda ishlov berish,taqdimot yaratish

Информация о документе

Продавец

Tasniflash masalalari uchun KNN algoritmini qo‘llash

Похожие документы