logo
  1. Bosh sahifa
  2. Diplom ishlar
  3. Umumiy
  4. MASHINAVIY O‘QITISHNING KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASH

MASHINAVIY O‘QITISHNING KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASH

Yuklangan vaqt:

20.11.2024

Ko'chirishlar soni:

0

Hajmi:

1894.693359375 KB
Ko'chirib olish
1MASHINAVIY O‘QITISHNING KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASH Mundarija Kirish………………………………………………………………...…... 3-5 1. MASHINAVIY O‘QITISH ASOSIDA TASVIRLARNI TASNIFLASHNING TIZIMLI TAHLIL …..………………………………..….... 6 1.1. Tasvirlarni tasniflash asoslari ... ……………………….……….……………6 1.2. Tasvirlarni tasniflash uchun mashinani o‘rganish algoritmlari……………... 9 1.3. Tasvirlarni tasniflashda KNN algoritmining qo‘llanilishi.. ………...……... 12 1.4. KNN algoritmining afzalliklari va cheklovlari ……………...………....… 13 2. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING METODOLOGIYASI………………………………………….…………..….….15 2.1. Ma’lumotlar to‘plami tavsifi …………….. …………………………...... 15 2.2. Ma’lumotlarga o ldindan ishlov berish texnikasi …. …….…………….….. 16 2.3. KNN algoritmi……………………………………………………...…....... 17 2.4 KNN algoritmini o‘qitish……………...…….…………………………..... 28 2.4 Eksperimental natijalar ...……………...…….…………………………..... 33 3. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING DASTURIY TA’MINOTI VA UNDAN FOYDALANISH TAVSIFI ..……….. 36 3.1 Funksional sxema va uning tavsifi ………………………..…………..…... 36 3.2 Dasturiy ta’minot tavsifi va undan foydalanish. ….…..…………….…….. 37 Xulosa………………………………………………………………………........ 42 Foydalanilgan adabiyotlar ro‘yxati…………………………………………….... 43 Ilova…………………………………………………………………………....... 45 2 K I R I SH Masalaning dolzarbligi. KNN algoritmidan foydalangan holda tasvirlarni tasniflash mavzusi kompyuterli ko‘rish va mashinani o‘qitish sohasida katta ahamiyatga ega. O‘zining soddaligi va samaradorligi bilan mashhur bo‘lgan KNN algoritmi obyektni tanib olish va tibbiy tasvirlashdan tortib kuzatuv tizimlarigacha bo‘lgan ilovalar bilan tasvir tasnifiga ko‘p qirrali yondashuvni taklif etadi. Turli sohalarda raqamli tasvirlarning eksponensial o‘sishi bilan tasvirlarni avtomatik ravishda tasniflash va izohlash qobiliyati dolzarb masala hisoblanadi. Avtonom transport vositalari sohasida KNN algoritmi obyektlarni aniqlash va tasniflashga, o‘z-o‘zini boshqarish texnologiyalarining xavfsizligi va ishonchliligini oshirishga hissa qo‘shadi. Chakana savdoda tasvirni tasniflash inventarizatsiyani boshqarishni soddalashtirishi va mahsulotni aniq tanib olish va tavsiya etish tizimlari orqali mijozlar tajribasini yaxshilashi mumkin. Bundan tashqari, xavfsizlik tizimlarida KNN algoritmi shaxslar va obyektlarni aniqlash va tanib olishda yordam beradi va shu bilan kuzatuv va xavfsizlik choralarini kuchaytiradi. Raqamli tasvirlarning ortishi to‘xtovsiz davom etar ekan, tasvirlarni tasniflashning samarali, aniq va kengaytiriladigan usullariga bo‘lgan ehtiyoj tobora ortib bormoqda. KNN algoritmining turli xil ma’lumotlar to‘plamlariga moslashish qobiliyati va uni amalga oshirish qulayligi ushbu kontekstda qimmatli vositaga aylantiradi. Bundan tashqari, hisoblash quvvatidagi uzluksiz yutuqlar va murakkab xususiyatlarni ajratib olish texnikasining rivojlanishi KNN algoritmining potentsialini va real stsenariylarda qo‘llanilishini kengaytirmoqda. Shuning uchun, tasvirni tasniflash uchun KNN algoritmini qo‘llash va takomillashtirish texnologiyani rivojlantirish turli sohalarda aqlli, avtomatlashtirilgan tasvir tahliliga ortib borayotgan talabni qondirish uchun juda muhim hisoblanadi. 3Masalaning qo‘yilishi. Mashinaviy o‘qitishning KNN algoritmi asosida tasvirlarni tasniflash algoritmi va dasturiy ta’minotini yaratish qaralgan. Tadqiqotning maqsadi : m ashinaviy o‘qitishning KNN algoritmi asosida tasvirlarni sinflashtirish algoritmi va dasturi y ta’minoti ishlab chiqishd an iborat . Tadqiqotning vazifalari: Dissertatsiya ishining maqsadini amalga oshirish uchun quyidagi vazifalar bajariladi: 1. KNN algoritmi va uning yordamida tasvir larni sinflashtirish masalasi tizimli tahlil qilinadi . 2. Tasvir ni sinflashtirish uchun kerakli ma’lumotlar to‘plami qayta ishlanadi . 3. KNN algoritmi asosida tasvir larni sinflashtirish algoritmi ishlab chiqiladi . 4. Ishlab chiqilgan tasvir larni sinflashtirish algoritmining dasturiy ta’minoti yaratiladi. Ishning nazariy va amaliy ahamiyati KNN algoritmi asosida mashinaviy o‘qitishning tasvir sinflashtirish masalasini muvaffaqiyatli yechish uchun zarurdir. Bu, algoritmdagi tushunchalarni o‘rganish, ma’lumotlarni tayyorlash va sinflashtirish , natijalarni tahlil qilish va algoritmdagi parametrlarni optimallashtirishni o‘z ichiga oladi. Tasnif. BMI kirish qismi, uchta bob, xulosa va foydalanigan adabiyotlardan tashkil topgan. Ilovada, dastur kodi keltirilgan. 1-bobda, mashinani o‘qitishning KNN algoritmidan foydalangan holda tasvirlarni tasniflash tizimli tahlil qilingan. 2-bobda, tasvir ma’lumotlariga oldindan ishlov berish va KNN algoritmini o‘qitish jarayoni keltirilgan. 3 -bobda , tasvirlarni tasniflashni dasturiy ta’minoti va undan foydalanish tavsifi berilgan . BMI mazmuni aks ettirilgan va nashr etilgan maqolalar. Yarmatov Sh.Sh., Axmedov R.I. Image classification based on the knn algorithm of machine learning. // “Yangi O‘zbekiston: fan, ta’lim va innovatsiya” Respublika miqyosidagi ilmiy-texnik anjuman. – Jizzax, 2024. – B. 270-272. Tadqiqot mavzusi bo‘yicha adabiyotlar tahlili: 4T. Xasti, R. Tibshirani, J. Fridman. “The Elements of Statistical Learning”. Publication: 2009, Springer. – Ushbu tadqiqotda turli xil statistik o‘qitish usullarini, jumladan K-Eng yaqin qo‘shnilar (KNN) algoritmini to‘liq ko‘rib chiqilgan. Mualliflar KNNning nazariy asoslarini, tasniflash vazifalarida uning soddaligi va samaradorligini tahlil qilgan. Kitob, shuningdek, parametrlarni sozlash va hisoblash murakkabligi kabi amaliy fikrlarni o‘z ichiga oladi. P. Cunningham, S. Delany. “k-Nearest Neighbour Classifiers”. Publication: 2007, UCD-CSI Working Paper Series. – Ushbu maqolada KNN algoritmi batafsil o‘rganilib, uning kuchli va kamchiliklari tahlil qilingan. Mualliflar algoritmning turli sohalarda, jumladan tasvirlarni tasniflashda qo‘llanilishi haqida tushunchalar bergan. Ular masofa o‘lchovlari, xususiyatlarni tanlash va K ning turli qiymatlarining tasniflash samaradorligiga ta’sirini muhokama qilganlar. L. Liu, X. Liu, X. Cheng. “A Novel Improved K-Nearest Neighbors Algorithm for Image”. Publication: 2017, IEEE Access. – Ushbu tadqiqotda an’anaviy KNN algoritmini tasvirlarni tasniflash vazifalarida ishlashini yaxshilash uchun takomillashtirish taklif qilingan. Mualliflar K-qo‘shnilar uchun moslashuvchan tortish sxemasini va yangi xususiyatlarni ajratib olish usulini taqdim etgan. Ularning eksperimental natijalari tasniflash aniqligida sezilarli yaxshilanishlarni ko‘rsatib bergan. A. Oliva, A. Torralba. “Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope”. Publication: 2001, International Journal of Computer Vision. – Garchi ushbu maqolada faqat KNNga e’tibor qaratilmagan bo‘lsada, ushbu maqola sahna tasnifi uchun yaxlit xususiyatni aks ettiruvchi fazoviy konvert tushunchasini taqdim etadi. Tavsiya etilgan xususiyatni ajratib olish usuli tasvirni tasniflash uchun KNN bilan samarali birlashtirilishi mumkin. R. Duda, P. Xart, D. Stork. “Pattern Classification”. Publication: 2000, Wiley-Interscience. – Ushbu kitob klassik tasniflash usullarining keng doirasini, shu jumladan KNN algoritmini o‘z ichiga oladi. Mualliflar algoritmning nazariy asoslarini, amaliy tatbiqini va tasvirlarni tasniflashda qo‘llanilishini har tomonlama tahlil qilganlar. 5 6I -BOB . MASHINAVIY O‘QITISH ASOSIDA TASVIRLARNI TASNIFLASHNING TIZIMLI TAHLIL I 1-bobda tasvirlarni tasniflash va mashinani o‘qitish algoritmlari bilan bog‘liq mavjud adabiyotlar har tomonlama ko‘rib chiqiladi. Ko‘plab tadqiqotlar va ilmiy ishlarga tayanib, ushbu sohada qo‘llaniladigan turli xil mashinani o‘qitish usullarining nozik tomonlari yoritilib, tasvirlarni tasniflash asoslari o‘rganiladi. Klassik K-Yaqin qo‘shnilar (KNN) algoritmidan tortib eng zamonaviy konvolyutsion neyron tarmoqlarigacha (CNN) bo‘lgan metodologiyalar o‘rganiladi, ularning kuchli, zaif tomonlari va tasvirlarni tasniflash vazifalarida qo‘llanilishi tahlil qilinadi. 1.1. Tasvirlarni tasniflash asoslari Ushbu dissertatsiyada mashinani o‘qitishning KNN algoritmidan foydalangan holda tasvirlarni tasniflash tizimli tahlil qilinadi. Kompyuterli ko‘rishda tasvir tasnifining ahamiyatini va uning turli sohalarda ko‘p sonli qo‘llanilishini o‘rganish orqali masalani qo‘yildi. Chuqurroq o‘rganib, ushbu tadqiqot mohiyati ochib beriladi va dissertatsiyaning maqsadlari va ko‘lami belgilanadi. Ushbu bob orqali keyingi boblarning konteksti, maqsadi va tuzilishi haqida asosiy tushunchaga ega bo‘linib, KNN yordamida tasvirlarni tasniflashni o‘rganishga yo‘l ochiladi. So‘nggi yillarda tasvirlarni tasniflash turli sohalarda va kompyuterli ko‘rish sohasida muhim vazifa sifatida paydo bo‘ldi. Raqamli tasvirlarning eksponensial o‘sishi bilan vizual tarkibni tushunish va talqin qilishga qodir avtomatlashtirilgan tizimlarga ehtiyoj ortib bormoqda. Tasvirlarni tasniflash, kompyuterli ko‘rishning kichik sohasi, tasvirlarni vizual xususiyatlariga qarab oldindan belgilangan sinflarga yoki teglarga ajratishni o‘z ichiga oladi. Ushbu vazifa obyektni aniqlash, yuzni aniqlash, avtomobil haydash, tibbiy tasvirlash va kuzatuv tizimlarini o‘z ichiga olgan ko‘plab real dunyo ilovalari uchun asosiy qurilish bloki bo‘lib xizmat qiladi. Mashinani o‘qitish texnikasining paydo bo‘lishi ma’lumotlardan avtomatlashtirilgan o‘rganish imkonini berib, tasvir tasnifini inqilob qildi. Ko‘p 7sonli mashinani o‘rganish algoritmlari orasida K-Yaqin qo‘shnilar (KNN) algoritmi soddaligi, samaradorligi va talqin qilinishi bilan ajralib turadi. An’anaviy parametrik modellardan farqli o‘laroq, KNN parametrik bo‘lmagan algoritm bo‘lib, ma’lumotlar nuqtalarini xususiyat maydonidagi qo‘shni nuqtalarga o‘xshashligi asosida tasniflaydi. Bu xususiyat KNN ni, ayniqsa, asosiy ma’lumotlarni taqsimlash murakkab va chiziqli bo‘lmagan bo‘lishi mumkin bo‘lgan tasvirlarni tasniflash vazifalari uchun mos qiladi. Oddiyligiga qaramay, KNN algoritmi tasvirni tasniflashning turli senariylarida ajoyib natijalar ko‘rsatdi. Uning multimodal ma’lumotlar bilan ishlash va turli muammoli sohalarga moslashish qobiliyati uni tadqiqotchilar va amaliyotchilar uchun muhim tanlovga aylantiradi. Biroq, KNN bir qancha afzalliklarni taqdim etsa-da, u hisoblash samarasizligi va ahamiyatsiz xususiyatlarga sezgirlik kabi ma’lum qiyinchiliklarni ham keltirib chiqaradi. KNN algoritmining tushunish va uni tasvirlarni tasniflashda qo‘llash uning to‘liq imkoniyatlaridan foydalanish va tasniflash tizimlarining aniqligi va samaradorligini oshirish uchun juda muhimdir. Ushbu dissertatsiyaning asosiy maqsadi tasvirlarni tasniflashda K-Yaqin qo‘shnilar (KNN) algoritmini qo‘llashni o‘rganish va uning ishlashini har tomonlama tahlil qilishdir. Xususan, tadqiqot quyidagi maqsadlarga erishishga qaratilgan: Turli ma’lumotlar to‘plamlari va muammoli holatlar uchun tasvirlarni tasniflash vazifalari uchun KNN algoritmining samaradorligini baholash; Rasmlarni tasniflashda KNN algoritmining kuchli va zaif tomonlarini aniqlash va uning ishlashiga ta’sir qiluvchi omillarni, jumladan, ma’lumotlar to‘plamining xususiyatlari, masofa o‘lchovlari va “K” qiymatini tahlil qilinadi. Tasvirlarni tasniflash uchun KNN algoritmidan foydalanishning amaliy jihatlari haqida tushunchalar va real hayotiy ilovalarida uning ishlashini optimallashtirish bo‘yicha tavsiyalar beriladi. Ushbu vazifalarni hal qilish orqali dissertatsiyada tasvirlarni tasniflash bo‘yicha mavjud bilimlarga hissa qo‘shish va KNN algoritmidan foydalangan 8holda yanada aniq va samarali tasniflash tizimlarini ishlab chiqishga yordam berish maqsad qiladi. Tasvirlarni tasniflash kompyuterli ko‘rishning asosiy vazifasi bo‘lib, tasvirlarni vizual mazmuniga qarab oldindan belgilangan sinflarga yoki teglarga ajratishni o‘z ichiga oladi. Jarayon odatda daslabki tasvir ma’lumotlarini olish bilan boshlanadi, so‘ngra o‘lchamlarni o‘zgartirish, normallashtirish va xususiyatlarni ajratib olish kabi dastlabki ishlov berish bosqichlari amalga oshiriladi. Xususiyatlarni ajratib olish tasvirni tasniflashda hal qiluvchi rol o‘ynaydi, chunki u xom piksel qiymatlarini tasvir mazmuni haqida tegishli ma’lumotlarni to‘playdigan mazmunli tasvirlarga aylantiradi. Xususiyatlarni ajratib olishning keng tarqalgan usullari orasida yo‘naltirilgan gradientlarning gistogrammasi (HOG), masshtabni o‘zgarmas xususiyatni o‘zgartirish (SIFT) va mahalliy ikkilik naqshlar (LBP) mavjud [1]. Xususiyatlar ajratib olingandan so‘ng, ular tasniflash modelini o‘qitish uchun ishlatiladi, bu ajratilgan xususiyatlar asosida turli sinflarni farqlashni o‘rganadi. Tasvirlarni tasniflash uchun K-Eng yaqin qo‘shnilar (KNN) va Support vektor mashinalari (SVM) kabi an’anaviy usullardan tortib, konvolyutsion neyron tarmoqlari (CNN) kabi chuqur o‘qitish yondashuvlarigacha turli xil mashinani o‘qitish algoritmlaridan foydalanish mumkin. Algoritmni tanlash ma’lumotlarning tabiati, mavjud hisoblash resurslari va kerakli aniqlik darajasi kabi omillarga bog‘liq. 91.2. Tasvirlarni tasniflash uchun mashinani o‘rganish algoritmlari K-Eng yaqin qo‘shnilar (KNN) algoritmi. K-Eng yaqin qo‘shnilar (KNN) algoritmi tasniflash va regressiya vazifalari uchun oddiy, ammo samarali mashinani o‘qitish usulidir. Tasvirlarni tasniflash kontekstida KNN xususiyat maydonidagi eng yaqin qo‘shnilari orasida ko‘pchilik sinfiga asoslangan holda berilgan rasmga sinf yorlig‘ini belgilaydi. Algoritm o‘xshash tasvirlar bir xil sinfga tegishli bo‘ladi degan faraz ostida ishlaydi, bu esa, ayniqsa, qaror chegaralari chiziqli bo‘lmagan yoki aniqlash qiyin bo‘lgan vazifalar uchun juda mos keladi. KNN algoritmining asosiy afzalliklaridan biri uning soddaligi va amalga oshirish qulayligidir. Ma’lumotlardan ma’lum bir funksional shaklni o‘rganishni talab qiladigan parametrik modellardan farqli o‘laroq, KNN ma’lumotlarning asosiy taqsimoti haqida hech qanday taxmin qilmaydi, bu uni juda moslashuvchan va turli xil muammoli sohalarga moslashishga imkon beradi. Bundan tashqari, KNN parametrik bo‘lmagan algoritmdir, ya’ni u o‘quv ma’lumotlaridan aniq parametrlarni o‘rganmaydi, bu ma’lumotlarni taqsimlash murakkab yoki noma’lum bo‘lgan algoritmlarda foydali bo‘lishi mumkin [2]. Biroq, KNN algoritmining asosiy kamchiliklari uning hisoblash samarasizligidir, ayniqsa katta ma’lumotlar to‘plami yoki yuqori o‘lchamli xususiyatlar bo‘shliqlari bilan ishlashda. KNN so‘rov nuqtasi va o‘quv majmuasidagi barcha boshqa ma’lumotlar nuqtalari orasidagi hisoblash masofalarini talab qilganligi sababli, algoritm hisoblashi samarasiz bo‘lishi mumkin, ayniqsa real vaqt cheklovlari bo‘lgan ilovalarda. Bundan tashqari, KNN masofa o‘lchovi va "K" parametrining qiymatini tanlashga sezgir, bu uning ishlashiga sezilarli ta’sir ko‘rsatishi mumkin. Cheklovlarga qaramay, KNN algoritmi ma’lum algortimlardan soddaligi, izohlanishi va raqobatbardosh ishlashi tufayli tasvirlarni tasniflash vazifalari uchun mashhur tanlov bo‘lib qolmoqda. Keyingi boblarda biz KNN algoritmining tasvirlarni tasniflashda qo‘llanilishini chuqurroq o‘rganamiz va uning ish faoliyatini ushbu sohada keng qo‘llaniladigan boshqa mashinani o‘qitish usullari bilan solishtiramiz. 10Support vektor mashinalari (SVM). Support vektor mashinalari (SVM) tasvirlarni tasniflash vazifalari uchun keng qo‘llaniladigan yana bir mashinani o‘qitish algoritmidir. SVM sinflar orasidagi chegarani maksimal darajada oshirib, xususiyat maydonida turli sinflarning ma’lumotlar nuqtalarini ajratib turadigan optimal chegaralarini topishga qaratilgan. Tasvirlarni tasniflash kontekstida SVMlar yuqori o‘lchamli xususiyatlar bo‘shliqlari va chiziqli bo‘lmagan qaror chegaralarini samarali boshqarishi mumkin, bu ularni murakkab ma’lumotlarni taqsimlash bilan bog‘liq vazifalar uchun mos qiladi [3,4]. SVM-larning asosiy afzalliklaridan biri bu ularning keng ko‘lamli ma’lumotlar to‘plamlari va yuqori o‘lchamli xususiyatlar bo‘shliqlarini samarali boshqarish qobiliyatidir. Yadro funksiyalaridan foydalangan holda, SVMlar kirish ma’lumotlarini chiziqli bo‘linishi mumkin bo‘lgan yuqori o‘lchamli bo‘shliqga sozlab berishi mumkin, hatto chiziqli bo‘lmagan ajratilmaydigan ma’lumotlar uchun ham. Bundan tashqari, SVMlar ko‘rinmas ma’lumotlarga umumlashtirishni rag‘batlantiradigan marjani maksimallashtirish maqsadi tufayli haddan tashqari moslashishga qarshi mustahkamlikni taklif qiladi. Biroq, SVMlar, xususan, hisoblash murakkabligi va giperparametrlarga sezgirlik nuqtai nazaridan ma’lum cheklovlarga ega. Katta ma’lumotlar to‘plamlarida SVM modelini o‘qitish ko‘p vaqt talab qilishi mumkin, ayniqsa chiziqli bo‘lmagan yadro funksiyalaridan foydalanganda. Bundan tashqari, SVMlar modelning ishlashiga sezilarli ta’sir ko‘rsatishi mumkin bo‘lgan yadro funksiyasi va tartibga solish parametrini tanlash kabi giperparametrlarni diqqat bilan tanlashni talab qiladi. Ushbu qiyinchiliklarga qaramay, SVMlar tasvirlarni tasniflashning keng ko‘lamli vazifalariga muvaffaqiyatli qo‘llanilib, ko‘pincha boshqa mashinani o‘qitish algoritmlariga nisbatan raqobatbardosh ko‘rsatkichlarga erishdi. Konvolyutsion neyron tarmoqlari (CNN). Konvolyutsion neyron tarmoqlari (CNN) so‘nggi yillarda tasvirlarni tasniflash sohasida inqilob qildi va turli xil ma’lumotlar to‘plamlarida eng zamonaviy ko‘rsatkichlarga erishdi. CNN konvolyutsion qatlamlar, birlashtiruvchi qatlamlar va chiziqli bo‘lmagan faollashtirish funksiyalaridan foydalangan holda piksel qiymatlaridan ierarxik 11tasvirlarni olish uchun maxsus ishlab chiqilgan. Ushbu tarmoqlar ierarxik xususiyatlarni mavhumlikning turli darajalarida avtomatik ravishda o‘rganishi mumkin, bu ularni obyektni aniqlash, obyektni tushunish va tasvirni segmentatsiyalash kabi vazifalar uchun juda samarali qiladi. CNN-ning asosiy afzalliklaridan biri ularning umumiy parametrlari va konvolyutsion qatlamlarning ierarxik tuzilishi tufayli fazoviy ierarxiyalarni va tasvirlardagi mahalliy bog‘liqliklarni olish qobiliyatidir. Bundan tashqari, GPU apparati va parallel hisoblashdagi yutuqlar keng ko‘lamli ma’lumotlar to‘plamlarida chuqur CNN arxitekturasini o‘qitish, ularning aniqligi va miqyoslanishini yanada yaxshilash imkonini berdi. Ajoyib ishlashiga qaramay, CNN ma’lum cheklovlarga ega, jumladan, katta hajmdagi ma’lumotlar va o‘qitish uchun hisoblash resurslariga bo‘lgan ehtiyoj katta hisoblanadi. Qarorlar daraxtlari. Qaror daraxtlari - tasniflash va regressiya vazifalari uchun mashhur mashinani o‘qitish algoritmi bo‘lib, ularning soddaligi, izohlanishi va kategorik va raqamli ma’lumotlarni qayta ishlash qobiliyati bilan mashhur. Tasvirlarni tasniflash kontekstida qarorlar daraxtlari kirish xususiyatlarining qiymatlari asosida xususiyat maydonini hududlarga ajratadi, ma’lumotlarni deyarli bir xil sinflarga yetguncha rekursiv ravishda kichik to‘plamlarga ajratadi. Qaror daraxtlarining asosiy afzalliklaridan biri bu ularning intuitiv tasviri bo‘lib, uni odamlar tomonidan osongina ko‘rish va talqin qilish mumkin. Qarorlar daraxtlari qaror qabul qilish jarayoni haqida tushuncha beradi, bu esa foydalanuvchilarga tasniflash uchun ishlatiladigan mezonlarni tushunish imkonini beradi. Bundan tashqari, qaror daraxtlari shovqinli ma’lumotlarga chidamli va kirish funksiyalaridagi etishmayotgan qiymatlarni boshqarishi mumkin, bu ularni to‘liq bo‘lmagan yoki shovqinli ma’lumotlarga ega bo‘lgan real ilovalari uchun mos qiladi [5]. Biroq, qarorlar daraxti ma’lum cheklovlarga ega, jumladan, ularning o‘quv ma’lumotlarini haddan tashqari moslashtirish tendentsiyasi, ayniqsa murakkab yoki yuqori o‘lchamli xususiyatlar bo‘shliqlari bilan ishlashda kamchiliklar bor. 12Haddan tashqari moslashishni yumshatish uchun kesish, ansambl usullari (masalan, Tasodifiy o‘rmonlar) va tartibga solish kabi turli xil texnikalar taklif qilingan. Ushbu qiyinchiliklarga qaramay, qarorlar daraxtlari tasvirlarni tasniflash vazifalari uchun mashhur tanlov bo‘lib qolmoqda, ayniqsa izohlash va shaffoflik muhim bo‘lgan senariylarda. 1.3. Tasvirlarni tasniflashda KNN algoritmining qo‘llanilishi K-Yaqin qo‘shnilar (KNN) algoritmi murakkab va chiziqli bo‘lmagan qarorlar chegaralarini boshqarishda soddaligi va samaradorligi tufayli tasvirlarni tasniflash vazifalarida keng qo‘llanilishini topadi. Tasvirlarni tasniflashda KNN algoritmining asosiy qo llanilishidan biri undan murakkabroq algoritmlarniʻ taqqoslash uchun asosiy model sifatida foydalanish hisoblanadi. To‘g‘ridan-to‘g‘ri va tushunarli tasniflash yondashuvini ta’minlab, KNN boshqa mashinani o‘qitish usullarini, masalan, Support vektor mashinalari (SVM), Konvolyutsion Neyron Tarmoqlar (CNN) va Qaror Daraxtlarini solishtirish uchun mos nuqta bo‘lib xizmat qiladi. Bundan tashqari, KNN algoritmi, ayniqsa, asosiy ma’lumotlar taqsimoti parametrik bo‘lmagan va aniq modellashtirish qiyin bo‘lgan algoritmlar uchun juda mos keladi. Tasvirlar turli va murakkab chiziqlarni ko‘rsatishi mumkin bo‘lgan tasvirlarni tasniflash vazifalarida KNN ma’lumotlarning mahalliy tuzilishiga moslashish qobiliyati uni jozibali tanlovga aylantiradi. Bundan tashqari, KNN ma’lumotlarni taqsimlash uchun hech qanday o‘ziga xos funksional shaklni o‘z zimmasiga olmaydi, bu uni parametrik taxminlardan og‘ishlarga chidamli qiladi. Rasmlarni tasniflashda KNN algoritmining yana bir qo‘llanilishi uning ansambl o‘quv ramkalarida qo‘llanilishidir. Bagging va Boosting kabi ansambl usullari tasniflash modelining umumiy ishlashini yaxshilash uchun bir nechta asosiy o‘quvchilarni birlashtiradi. KNN ma’lumotlar taqsimotining turli jihatlarini qamrab olish qobiliyatidan foydalangan holda ansambl modellarida asosiy o‘quvchilardan biri sifatida ishlatilishi mumkin. Bir nechta KNN 13tasniflagichlarining bashoratlarini jamlash orqali ansambl usullari tasniflashning aniqligi va mustahkamligini oshirishi mumkin [4,5]. Bundan tashqari, KNN algoritmi tasvirlarni tasniflashda holatni moslashtirish va uzatishni o‘rganish algoritmlarda dasturni topadi. Maqsadli holatdagi belgilangan ma’lumotlar cheklangan bo‘lsa, KNN tasniflash samaradorligini oshirish uchun tegishli manba holatdagi etiketli ma’lumotlardan foydalanishi mumkin. Manba va maqsadli holatlar o‘rtasidagi o‘xshash misollarni aniqlash orqali KNN bilimlarni manbadan maqsadli holatga o‘tkazishi mumkin, bu maqsadli holatdagi etiketli ma’lumotlarga bo‘lgan ehtiyojni kamaytiradi. 1.4 KNN algoritmining afzalliklari va kamchiliklari Afzalliklari: Oddiylik : KNNni amalga oshirish va tushunish oson, bu uni tadqiqotchilar va amaliyotchilar uchun ochiq qiladi. Trening bosqichi yo‘q : Belgilangan ma’lumotlar bo‘yicha treningni talab qiladigan parametrik modellardan farqli o‘laroq, KNN aniq o‘quv bosqichini o‘z ichiga olmaydi. Buning o‘rniga, u butun o‘quv ma’lumotlar to‘plamini saqlaydi va yangi misollarning mavjud ma’lumotlar nuqtalariga o‘xshashligi asosida bashorat qiladi. Parametrik bo‘lmagan : KNN ma’lumotlarning asosiy taqsimoti haqida hech qanday taxmin qilmaydi, bu uni murakkab va chiziqli bo‘lmagan qaror chegaralarini boshqarish uchun mos qiladi. Moslashuvchanlik: KNN turli xil masofa o‘lchovlaridan foydalanishi mumkin, bu foydalanuvchilarga algoritmni muayyan muammoli holatlarga moslashtirishga imkon beradi. Kamchiliklari: Hisoblashning murakkabligi: O‘quv ma’lumotlar to‘plamining hajmi o‘sishi bilan KNNning hisoblashi sezilarli darajada oshadi, chunki u har bir bashorat uchun barcha o‘quv misollarigacha hisoblash masofalarini talab qiladi. 14Ahamiyatsiz xususiyatlarga sezgirlik: KNN ma’lumotlar to‘plamidagi shovqin va ahamiyatsiz xususiyatlarga sezgir bo‘lib, bu, ayniqsa, yuqori o‘lchamli xususiyatlar bo‘shliqlarida ish faoliyatini pasayishiga olib kelishi mumkin. Optimal “K” tanlovi : KNNda qo‘shnilar sonini ("K") tanlash algoritmning ishlashiga sezilarli ta’sir ko‘rsatishi mumkin. "K" uchun mos qiymatni tanlash ehtiyotkorlik bilan tajriba va tekshirishni talab qiladi. Cheklovlarga qaramay, KNN algoritmi mashinani o‘qitish vositalari to‘plamida, ayniqsa izohlash, moslashuvchanlik va soddalik muhim bo‘lgan algoritmlarda qimmatli vosita bo‘lib qolmoqda. KNN ning afzalliklari va cheklovlarini tushunib, tadqiqotchilar va amaliyotchilar uning tasvirni tasniflash vazifalariga qo‘llanilishi to‘g‘risida asosli qarorlar qabul qilishlari va kamchiliklarini yumshatish uchun strategiyalarni ishlab chiqishlari mumkin. 152-BOB. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING METODOLOGIYASI 2-bobda K-Yaqin qo‘shnilar (KNN) algoritmidan foydalangan holda tasvirlarni tasniflash uchun ushbu dissertatsiyada qo‘llaniladigan metodologiya keltiriladi. Eksperimental tahlil uchun asos yaratib, ma’lumotlar to‘plamini tanlash, dastlabki ishlov berish texnikasi va parametrlarni sozlash strategiyalari tizimli o‘rganishga kirishiladi. Ma’lumotlar jamlanmasidan tortib algoritmik amalga oshirishgacha, tadqiqot jarayonining har bir bosqichi sinchkovlik bilan batafsil bayon qilinadi, bu esa metodologiyani shaffofligi, takrorlanuvchanligi va qat’iyligini ta’minlaydi. 2.1. Ma’lumotlar to‘plami tavsifi Ma’lumotlar to‘plamini tanlash tasvirlarni tasniflash uchun K-Yaqin qo‘shnilar (KNN) algoritmining ishlashini baholashda hal qiluvchi rol o‘ynaydi. Turli xil va vakolatli ma’lumotlar to‘plami har xil turdagi tasvirlar va tasniflash bo‘yicha algoritm imkoniyatlarini har tomonlama tahlil qilish imkonini beradi. Ushbu bo‘limda tajribalarda foydalanilgan ma’lumotlar to‘plamining tavsifi, jumladan, ularning xususiyatlari va tarkibi taqdim etiladi. Baholash uchun tanlangan ma’lumotlar to‘plamlari qo‘lda yozilgan raqamlardan tortib, tabiiy tasvirlar va obyektlargacha bo‘lgan turli xil tasvir toifalari va holatlarini o‘z ichiga oladi. Ushbu ma’lumotlar to‘plamlari kompyuterli ko‘rish sohasida keng qo‘llaniladigan ko‘rsatkichlar bo‘lib, tasvirlarni tasniflash algoritmlarining ishlashini taqqoslash uchun standartlashtirilgan platformani taqdim etadi. Har bir ma’lumotlar to‘plami etiketli tasvirlar to‘plamidan iborat bo‘lib, unda har bir rasm ma’lum bir sinf yoki toifa bilan bog‘langan. Bundan tashqari, natijalarning mustahkamligi va umumlashtirilishini ta’minlash uchun ma’lumotlar to‘plamlari tabaqalashtirilgan tanlab olish yoki tasodifiy bo‘linish kabi tegishli bo‘linish strategiyalaridan foydalangan holda o‘quv va sinov to‘plamlariga bo‘linadi. O‘quv to‘plami KNN klassifikatorini 16o‘qitish uchun ishlatiladi, sinov to‘plami esa ko‘rinmas ma’lumotlar bo‘yicha uning ishlashini baholash uchun ishlatiladi [6]. Sinflar soni, har bir sinfdagi tasvirlar soni, tasvir o‘lchamlari va qo‘llaniladigan har qanday dastlabki ishlov berish bosqichlarini o‘z ichiga olgan ma’lumotlar to‘plamlarining batafsil tavsiflari tajribalarimizda takrorlanuvchanlik va shaffoflikni osonlashtirish uchun taqdim etiladi [7,8]. 2.2 Ma’lumotlarga o ldindan ishlov berish texnikasi Oldindan ishlov berish tasvir ma’lumotlarini K-Yaqin qo‘shnilar (KNN) algoritmiga kiritish uchun tayyorlashda hal qiluvchi rol o‘ynaydi. Oldindan ishlov berish usullari kiritilgan ma’lumotlarning sifatini oshirish, shovqinni olib tashlash va aniq tasniflashga hissa qo‘shadigan mazmunli xususiyatlarni chiqarishga qaratilgan. Ushbu bo‘limda biz baholash jarayonida izchillikni ta’minlash uchun tajribalarimizda qo‘llaniladigan dastlabki ishlov berish usullarini tavsiflaymiz. Tasvir o‘lchamini o‘zgartirish: Tasvir o‘lchamlarida bir xillikni ta’minlash va hisoblashni kamaytirish uchun ma’lumotlar to‘plamidagi tasvirlar umumiy razmerga o‘zgartiriladi. O‘lchamini o‘zgartirish barcha tasvirlarning bir xil o‘lchamlarga ega bo‘lishini ta’minlaydi, bu esa tasniflash paytida xususiyat maydonidagi masofalarni samarali hisoblash imkonini beradi. Rasmni normallashtirish: Rasmni normallashtirish ma’lumotlar to‘plamidagi turli xil tasvirlar bo‘ylab piksel qiymatlarini standartlashtirish uchun amalga oshiriladi. Ushbu bosqich mashg‘ulot paytida konvergentsiyani yaxshilash va turli yorug‘lik sharoitlarining ta’sirini yumshatish uchun piksel intensivligini umumiy diapazonga (masalan, [0, 1]) o‘zgartirishni o‘z ichiga oladi. Xususiyatlarni ajratish: Xususiyatlarni ajratib olish - bu piksel qiymatlarini ixcham va informatsion tasvirga aylantirishni o‘z ichiga olgan muhim qayta ishlash bosqichidir. Xususiyatlarni ajratib olishning keng tarqalgan usullari orasida yo‘naltirilgan gradientlarning gistogrammasi (HOG), masshtabni o‘zgarmas xususiyatni o‘zgartirish (SIFT) va ikkilik chiziqlar (LBP) mavjud. Ushbu usullar tasvirlardagi lokal chiziq va teksturalarni ushlaydi, bu turli sinflarni farqlash uchun zarurdir. 17Ma’lumotlar to‘plamlari bo‘ylab izchil qayta ishlash usullarini qo‘llash orqali biz tasvirlarni tasniflash uchun KNN algoritmining ishlashini baholashda adolat va taqqoslashni ta’minlashga intilamiz. Ushbu dastlabki ishlov berish bosqichlari tasvir xususiyatlaridagi o‘zgarishlarning ta’sirini yumshatishga yordam beradi va tasniflash modelining shovqin va ahamiyatsiz xususiyatlarga nisbatan mustahkamligini oshiradi [9]. 2.3. K-Eng yaqin qo‘shnilar algoritmi K-Yaqin qo‘shnilar (KNN) algoritmi tasniflash va regressiya vazifalari uchun ishlatiladigan oddiy, parametrik bo‘lmagan usuldir. Tasvirlarni tasniflash kontekstida KNN xususiyat maydonidagi eng yaqin qo‘shnilarining yorliqlari asosida kirish tasviriga teg belgilash orqali ishlaydi. Algoritmning qaror qabul qilish jarayoni yaqinlik prinsipiga asoslanadi: o‘xshash misollar bir xil sinfga tegishli bo‘lish ehtimoli ko‘proq. KNN yordamida yangi tasvirni tasniflash uchun algoritm so‘rov tasviri va o‘quv ma’lumotlar to‘plamidagi barcha tasvirlar orasidagi masofani hisoblab chiqadi. Umumiy masofa ko‘rsatkichlariga Evklid masofasi, Manxetten masofasi va Kosinus o‘xshashligi kiradi. Keyin KNN algoritmi hisoblangan masofalar asosida so‘rov tasviriga eng yaqin K qo‘shnilarni tanlaydi. KNN algoritmidagi muhim parametrlardan biri bu tasniflashda ko‘rib chiqilgan eng yaqin qo‘shnilar sonini ifodalovchi "K" qiymatidir. "K" ni tanlash algoritmning ishlashiga sezilarli darajada ta’sir qiladi va uning ma’lumotlardagi mahalliy va global chiziqlarni olish qobiliyatiga ta’sir qiladi. "K" uchun mos qiymatni tanlash ehtiyotkorlik bilan tajriba va tekshirishni talab qiladi. "K" ning kichik qiymati qaror chegaralarining haddan tashqari moslashuvchanligiga olib kelishi mumkin, bu esa ma’lumotlardagi shovqinga nisbatan yuqori dispersiya va sezgirlikni keltirib chiqarishi mumkin. Aksincha, "K" ning katta qiymati qaror chegaralarini haddan tashqari soddalashtirishga olib kelishi mumkin, bu esa yuqori tarafkashlik va yomon umumlashtirishga olib keladi [10]. 18"K" ning optimal qiymatini aniqlash uchun o‘zaro tekshirish va tarmoq qidirish kabi usullardan foydalanish mumkin. O‘zaro tekshirish o‘quv ma’lumotlarini bir nechta kichik to‘plamlarga bo‘lishni o‘z ichiga oladi, har bir kichik to‘plam ham trening, ham test to‘plami sifatida ishlatiladi. Grid qidiruvi "K" ning turli qiymatlari uchun KNN algoritmining ishlashini tizimli ravishda baholashni va tasdiqlash to‘plamida eng yaxshi ko‘rsatkichni beradigan qiymatni tanlashni o‘z ichiga oladi. "K" dan tashqari, masofa o‘lchovi va tortish sxemasini tanlash (masalan, bir xil o’lchovlar va masofaga asoslangan o’chovlar) kabi boshqa giperparametrlar ham algoritm ishlashiga ta’sir qilishi va sozlashni talab qilishi mumkin. Masofa ko‘rsatkichlari. Masofa ko‘rsatkichini tanlash xususiyat maydonidagi ma’lumotlar nuqtalari o‘rtasidagi o‘xshashlikni aniqlashda hal qiluvchi rol o‘ynaydi. KNN algoritmida qo‘llaniladigan umumiy masofa ko‘rsatkichlari quyidagilarni o‘z ichiga oladi: Evklid masofasi: Evklid fazosining ikkita nuqtasi orasidagi to‘g‘ri chiziq masofasini o‘lchaydi. Bu eng ko‘p ishlatiladigan masofa ko‘rsatkichi bo‘lib, doimiy xususiyat bo‘shliqlari uchun yaxshi ishlaydi [11,12]. Manxetten masofasi: Shahar blokidagi masofa yoki L1 normasi sifatida ham tanilgan, u ikki nuqta koordinatalari orasidagi mutlaq farqlar yig‘indisini o‘lchaydi. Bu, ayniqsa, diskret yoki kategorik xususiyatlarga ega bo‘lgan xususiyatlar bo‘shliqlari uchun foydalidir. Kosinus o‘xshashligi: Ikki vektor orasidagi burchakning kosinusini o‘lchaydi, bu vektorlar o‘rtasidagi yo‘nalish bo‘yicha ularning kattaligini emas, balki o‘xshashligini ifodalaydi. U ko‘pincha yuqori o‘lchamli xususiyatlar bo‘shliqlari va matnni tasniflash vazifalari uchun ishlatiladi. Masofa ko‘rsatkichini tanlash ma’lumotlarning tabiatiga va asosiy muammo sohasiga bog‘liq. Tajriba va tekshirish berilgan tasvirni tasniflash vazifasi uchun eng mos masofa ko rsatkichini tanlash uchun zarurdir.ʻ Eksperimental sozlash. Ushbu bo‘limda biz tasvirlarni tasniflash uchun K- Yaqin qo‘shnilar (KNN) algoritmining ishlashini baholash uchun ishlatiladigan 19eksperimental o‘rnatishni tasvirlaymiz. Bu ma’lumotlar to‘plamini bo‘lish, parametrlarni sozlash, baholash ko‘rsatkichlari, asosiy modellar va amalga oshirish xususiyatlariga oid tafsilotlarni o‘z ichiga oladi. KNN algoritmi oddiy, amalga oshirish oson, nazorat ostidagi mashinaviy o‘qitish algoritmi bo‘lib, u ham tasniflash, ham regressiya muammolarini hal qilish uchun ishlatilishi mumkin.  K-NN algoritmi yangi holatlar(ma’lumotlar) va mavjud ma’lumotlar o‘rtasidagi o‘xshashlikni qabul qiladi va yangi ma’lumotni mavjud toifalar orasidan eng o‘xshash toifaga kiritadi.  K-NN algoritmi regressiya uchun ham, tasniflash uchun ham ishlatilishi mumkin, lekin u asosan tasniflash muammolari uchun ishlatiladi.  K-NN parametrik bo‘lmagan algoritmdir , ya’ni ma’lumotlarning taqsimlanishi haqida hech qanday asosiy taxminlar qilmaydi Nima uchun bizga K-NN algoritmi kerak? Aytaylik, ikkita toifa, ya’ni A va B toifalari mavjud va bizda yangi ma’lumotlar nuqtasi bor, bu ma’lumotlar nuqtasi ushbu toifalarning qaysi birida joylashishini aniqlashimiz kerak. Ushbu turdagi muammolarni hal qilish uchun bizga K-NN algoritmi kerak. K-NN yordamida biz ma’lum bir ma’lumotlar to‘plamining toifasi yoki sinfini osongina aniqlashimiz mumkin. Quyidagi 2.1- rasmda diagrammani ko‘rib chiqing: 202.1-rasm. KNN algoritmi qo‘llanilgan va qo‘llanilmagan holatdagi tasviri K-NN qanday ishlaydi? K-NN ning ishlashini quyidagi algoritm asosida tushuntirish mumkin: 1-qadam: K-NN uchun eng yaxshi K tanlash. 2-qadam: K qo‘shnilarning Evklid masofasini hisoblash. 3-qadam: Hisoblangan Evklid masofasiga ko‘ra K eng yaqin qo‘shnilarni olish. 4-qadam: Ushbu K qo‘shnilar orasida har bir toifadagi ma’lumotlar nuqtalarining sonini hisoblash. 5-qadam: Yangi ma’lumotlar nuqtalarini qo‘shni soni maksimal bo‘lgan toifaga belgilash. 6-qadam: Tasniflash. Aytaylik, bizda yangi ma’lumotlar nuqtasi bor va biz uni kerakli toifaga joylashtirishimiz kerak. Quyidagi 2.2-rasmni ko‘rishimiz mumkin: 2.2-rasm. Ma’lumotlar to‘plamidagi yangi ma’lumotlar nuqtasi Birinchidan, biz qo‘shnilar sonini tanlaymiz, shuning uchun biz k = 5 ni tanlaymiz. Keyinchalik, ma’lumotlar nuqtalari orasidagi Evklid masofasini hisoblaymiz. 21Uni quyidagicha hisoblash mumkin: 2.3-rasm. Ma’lumotlar to‘plamidan Evklid masofasini hisoblash jarayoni Masofani hisoblash formulasi: A1 va B1=√(X2−X1)2+(Y2− Y1)2 Evklid masofasini hisoblab, biz eng yaqin qo‘shnilarni, ya’ni A toifadagi uchta eng yaqin qo‘shni va B toifadagi ikkita eng yaqin qo‘shnilarni oldik. Bu jarayonni quyidagi rasmda ko‘rishimiz mumkin. 2.4-rasm. Ma’lumotlar to‘plamidan Evklid masofasini orqali qo‘shnilarni belgilash jarayoni 22Ko‘rib turganimizdek, eng yaqin uchta qo‘shni A toifasiga kiradi, shuning uchun bu yangi ma’lumotlar nuqtasi A toifasiga tegishli bo‘lishi kerak. K-NN algoritmida K qiymatini tanlash: K uchun eng yaxshi qiymatni aniqlashning alohida usuli yo‘q, shuning uchun biz ulardan eng yaxshisini topish uchun ba’zi qiymatlarni sinab ko‘rishimiz kerak. K uchun eng maqbul qiymat 5 ga teng. K = 1 yoki K = 2 kabi K uchun juda past qiymat bo‘lishi mumkin. K uchun katta qiymatlar yaxshi, lekin u ba’zi qiyinchiliklarga olib kelishi mumkin. K-NN algoritmini Python dasturlash tili orqali qo‘llash Mashinaviy o‘qitishda klassifikatsiya(tasniflash) algoritmlarini amaliy jarayonlarda qo‘llab ko‘ramiz, buning uchun dataset (ma’lumotlar to‘plami) tanlab olingan. Ushbu dataset Hindistonning Qandli diabet va buyrak kasalliklari milliy institutidan olingan. Maqsad diagnostik o‘lchovlar asosida ayol bemorda diabet bor-yo‘qligini taxmin qilishdir. Datasetdagi ustunlar uchun izohlar:  Pregnancies: homilador bo‘lish soni  Glucose: glyukozaga test natijasi  BloodPressure: diastolik qon bosimi (mm Hg)  SkinThickness: Triceps teri burmasining qalinligi (mm)  Insulin: 2 soatlik sarum insulini (mu U/ml)  BMI: Tana massasi indeksi (vazn kg / (m bo‘yi) ^ 2)  DiabetesPedigreeFunction: diabetning naslchilik funktsiyasi  Age: Yosh (yil)  diagnosis: Class (0 – diabet yo‘q, 1 – diabet) K-NN algoritmini amalga oshirish bosqichlari:  Ma’lumotlarni oldindan qayta ishlash bosqichi  K-NN algoritmini o‘quv to‘plamiga moslashtirish  Sinov natijasini bashorat qilish  Natijaning to‘g‘riligini tekshirish 23 Test to‘plamining natijasini vizualizatsiya qilish. 1.Ma’lumotlarni oldindan qayta ishlash bosqichi: 1) Dastlab kerakli kutubxonalar va Dastasetni chaqirib olamiz: 2) Ma’lumotlarimizni ekranga chop qilamiz. 2.5-rasm. Ma’lumotlar to‘plamini umumiy ko‘rinishi 3) Korrelyasiya. Berilgan datasetda ‘diagnosis’ ustuniga tasir qiluvchi ustunlarni topamiz. 2.6-rasm. Ma’lumotlar to‘plamini korrelyatsiya jadvali 24Natijalardan ko‘rinib turibdiki ‘diagnosis’ ustuniga ‘Glucose’ ustuni ko‘proq tasir qilmoqda. 4) Datasetdagi ma’lumotlarni ‘X’ (‘diagnosis’ ustunidan boshqa barcha ustundagi qiymatlar) va ‘Y’ (‘diagnosis’ ustunidagi qiymatlar) o‘zgaruvchilarga ta’minlab olamiz. 5) StandartScaler funksiyasi yordamida ma’lumotlarni standart (kichik oraliqga) holatga keltiramiz. K-NN klassifikatorini o‘quv ma’lumotlariga moslashtiramiz. Buning uchun biz Sklearn Neighbors kutubxonasining KNeighborsClassifier sinfini import qilamiz. Sinfni import qilgandan so‘ng biz sinfning knn obektini yaratamiz . Ushbu sinfning parametrlari mavjud:  n_neighbours : Algoritmning kerakli qo‘shnilarini aniqlash uchun. Odatda, bu 5 qiymatini oladi.  metric=‘minkowski’ : Bu standart parametr bo‘lib, nuqtalar orasidagi masofani belgilaydi(quyida bu parametrdan foydalanilmgan). 6) Klassifikatorni o‘quv ma’lumotlariga moslashtiramiz. Quyida uning kodi: 257) Sinov natijasini bashorat qilish : Test to‘plami natijasini bashorat qilish uchun y_predict vektorini yaratamiz. Quyida uning kodi: 8) Confusion matritsasini yaratish: Endi biz K-NN modelimiz uchun klassifikatorning aniqligini ko‘rish uchun confusion matritsasini yaratamiz. Quyida uning kodi: 2.7-rasm. Confusion matrix 9) Bashorat natijasi olingandan so‘ng, uni Accuracy, Precision Recall, F-1 Score yordamida baholaymiz. 26Yuqoridagi kodda accuracy bergan natijadan ko‘rinib K-NN algoritmini asosida yaratilgan dasturimiz 75% aniqlikda ishlamoqda. Bu modelni ishlab chiqishda K-NN algoritmini uchun K ni qiymatini 5 ga teng deb oldik, lekin biz K ni eng yaxshi qiymatini aniqlash uchun quyidagi usullarni taqdim etamiz: 1) For operatori yordamida: for operatori yordamida K ni qiymatlarini 1 dan 25 gacha oraliqda natijasini solishtirb chiqamiz Yuqoridagi kod ishlagandan so‘ng biz K ning eng yaxshi qiymatini quyidagi jadval orqali topishimiz mumkin. 272.8-rasm. K qiymatini eng yaxshisini topish jarayoni Bu yerda baholash F-1 Score orqali aniqlanmoqda, ko‘rinib turibdiki K=11 va 23 qiymatlarga teng bo‘lganda aniqlik yuqori baholanmoqda. 2) K ning eng yaxshi qiymatini topish uchun sklearn kutubxonasi tarkibida tayyor GridSearchCV funksiyasi mavjud, quyida uning kodi: Best_params_ funksiyasi orqali K ning eng yaxshi qiymatini aniqlaymiz. Natijadan ko‘rinib turibdiki funksiya K ning eng yaxshi qiymati 23 ekanligini ko‘rsatmoqda. 28Best_score_ funksiyasi orqali esa K ning eng yaxshi qiymatida aniqlikni aniqlaymiz. Natijadan ko‘rinib turibdiki funksiya K=23 bo‘lganda aniqlik 77% ni tashkil etar ekan. Biz bu natijani xatolik grafigi orqali tasvirlab ham ko‘rishimiz mumkin. 2.9-rasm. K qiyma tini eng yaxshisini topish jarayoni Yuqoridagi grafikda modelning xatolik darajasi ko‘rsatib o‘tilgan, K ning qiymati 23 ga teng bo‘lganda eng kam xatolikga erishilmoqda. 2.4. KNN algoritmi ni o‘qitish KNN algoritmining ishlashini baholash uchun ma’lumotlar to‘plami ikkita kichik to‘plamga bo‘linadi: o‘quv to‘plami va test to‘plami. O‘quv to‘plami KNN klassifikatorini o‘qitish uchun ishlatiladi, bu unga xususiyatlar va teglar o‘rtasidagi 29asosiy chiziq va munosabatlarni o‘rganish imkonini beradi. Boshqa tomondan, test majmuasi klassifikatorning ko‘rinmaydigan ma’lumotlar bo‘yicha ishlashini baholash va uni umumlashtirish qobiliyatini baholash uchun ishlatiladi. Ma’lumotlar to‘plamini o‘quv va sinov to‘plamlariga bo‘lish, odatda, har bir sinf ikkala to‘plamda mutanosib ravishda ifodalanishini ta’minlash uchun tasodifiy tanlash yoki qatlamli tanlama yordamida amalga oshiriladi. O‘quv va sinov to‘plamlariga ajratilgan ma’lumotlarning nisbati ma’lumotlar to‘plamining hajmiga va baholashning kerakli darajasiga qarab farq qilishi mumkin [13]. Baholash ko‘rsatkichlari. KNN algoritmining ish faoliyatini miqdoriy baholash uchun turli baholash ko‘rsatkichlari, jumladan, aniqlik, aniqlik, eslab qolish, F1 balli va chalkashlik matritsasi qo‘llaniladi. Ushbu ko‘rsatkichlar tasniflagichning tasvirlarni turli sinflar bo‘yicha to‘g‘ri tasniflash va uning umumiy samaradorligini baholash qobiliyati haqida tushuncha beradi. Bizning modelimiz tugallangandan so'ng, uning ishlashini baholash kerak. Har qanday mashinaviy o'qitish modelini yaratishda eng muhim vazifa uning ishlashini baholashdir. Shunday qilib, savol tug'iladi: mashinaviy o'qitish modelining muvaffaqiyatini qanday o'lchash mumkin? Trening va baholashni qachon to'xtatish va qachon yaxshi deb atash kerakligini qayerdan bilamiz? 2.10-rasm. Confusion matrixni umumiy tavsifi Berilgan namunaviy kuzatish uchun haqiqiy sinf ijobiy yoki salbiy bo'ladi. Xuddi shunday, bashorat qilingan sinf ham ijobiy yoki salbiy. 30Kuzatishning haqiqiy va bashorat qilingan klassi bilan bog'liq to'rtta toifa mavjud: Haqiqiy ijobiy (TP): Berilgan kuzatishning haqiqiy va bashorat qilingan qiymatlari ham ijobiydir. Noto'g'ri ijobiy (FP): Berilgan kuzatuv salbiy, lekin bashorat qilingan qiymat ijobiy. Haqiqiy salbiy (TN): Berilgan kuzatishning haqiqiy va bashorat qilingan qiymatlari ham manfiy. Noto'g'ri salbiy (FN): Berilgan kuzatuv, aslida ijobiy bo'lishiga qaramay, salbiy bo'lishi bashorat qilinadi. FP va FN tasniflash xatolaridir . Statistikada FPlar I turdagi xatolar, FNlar esa II turdagi xatolar deb ataladi. Ba'zi hollarda II turdagi xatolar xavfli bo’ladi. Misol uchun, agar bizning tasniflagichimiz uyda yong'in sodir bo'lishini bashorat qilsa, I turdagi xatolik noto'g'ri signaldir. Boshqa tomondan, II turdagi xato uy yonib ketayotganini va o't o'chirish bo'limi xabardor emasligini anglatadi [13,14]. Confusion matrix . Confusion matrix bizga chiqish sifatida matritsa/jadval beradi va modelning ishlashini tavsiflaydi. Matritsa to'g'ri bashorat va noto'g'ri bashoratlarning umumiy soniga ega bo'lgan umumlashtirilgan shakldagi bashorat natijalaridan iborat. Matritsa quyidagi jadvalga o'xshaydi: 2.11-rasm. Confusion matrixga na’muna 31Shunday qilib, tasniflash modelini baholash usullarini keltiramiz. Accuracy Accuracy - eng oddiy va tushunarli tasniflash ko'rsatkichi, to'g'ri tasniflangan kuzatuvlarning ulushini o'lchaydi . Formula quyidagicha:Accuracy = TP +TN N Bunda, N – modelning aniqligini hisoblayotgan to’plamdagi elementlat soni. N = TP + TN + FP + FN . Oddiy qilib aytganda, u xato darajasining yo'qligini o'lchaydi. 90% aniqlik 100 ta kuzatishdan 90 tasi to g ri tasniflanganligini bildiradi. Ushbu ʻ ʻ o’lchov ma’lumotlar to’plamidagi pozitiv va negativ nishonlarning qiymatlari teng bo’lganda o’rinlidir [15]. Chalkashlik matritsasi nuqtai nazaridan o'ylab, biz ba'zan "barcha namunalar bo'yicha diagonal" deymiz. Oddiy qilib aytganda, u xato darajasining yo'qligini o'lchaydi. 90% aniqlik 100 ta kuzatishdan 90 tasi to g ri tasniflanganligini ʻ ʻ bildiradi. Garchi 90% aniqlik dastlab juda istiqbolli bo'lib tuyulsa ham, nomutanosib ma'lumotlar to'plamida aniqlik o'lchovidan foydalanish noto'g'ri bo'lishi mumkin. Precision va Recall Precision - ijobiy deb belgilangan va aslida ijobiy bo'lgan holatlarning ulushi. Boshqacha qilib aytganda, aniqlik "bizning tasniflagichimiz natijalari qanchalik foydali" o'lchovlari. Formula quyidagicha: Precision = TP TP + FP Masalan, 90% aniqlik bizning tasniflagichimiz elektron pochtani spam deb belgilaganida, u haqiqatan ham 100 martadan 90 tasi spam ekanligini bildiradi. TPlarni aniqlashning yana bir usuli - eslab qolishdan foydalanish. Eslab qolish - ijobiy deb belgilangan haqiqiy ijobiy holatlarning ulushi. U "natijalar qanchalik to'liqligini" o'lchaydi - ya'ni haqiqiy ijobiylarning qaysi foizi ijobiy deb taxmin qilinadi. Formula quyidagicha: 32 Recall = TP TP + FN Ya'ni, 90% ni chaqirib olish klassifikator barcha spam elektron pochta xabarlarining 90% ni to'g'ri belgilashini anglatadi, shuning uchun 10% spam emas deb belgilangan. F-1 Score F-1 Score Precision va Recall ning garmonik o'rtacha ko'rsatkichidir. Bu I va II turdagi xatolarga teng ahamiyat beradi. Formula quyidagicha: F − 1 Score = 2 ∗ Precision ∗ Recall Precision + Recall Ma’lumotlar to’plamida pozitiv va negativ nishonlar notekis taqsimlanganda F-1 Score eng aniq o’lchovlardan biri hisoblanadi. Ushbu baholash ko‘rsatkichlari KNN algoritmining ishlashini har tomonlama baholashni ta’minlaydi, uning aniqligi, mustahkamligi va nomutanosib ma’lumotlar to‘plami va sinf taqsimotlarini boshqarish qobiliyatini aks ettiradi [16]. KNN algoritmining ishlashini baholashdan tashqari, qiyosiy tahlil uchun bazaviy modellar qo‘llaniladi. Ushbu asosiy modellar tasvirlarni tasniflash uchun keng qo‘llaniladigan boshqa mashinani o‘qitish algoritmlarini o‘z ichiga olishi mumkin, masalan, Yordam vektor mashinalari (SVM), Konvolyutsion neyron tarmoqlari (CNN) va qarorlar daraxtlari. Asosiy modellar o‘qitiladi va KNN algoritmi kabi bir xil eksperimental sozlash va baholash ko‘rsatkichlari yordamida baholanadi. KNN algoritmining ishlashini ushbu asosiy modellar bilan taqqoslash orqali uning turli xil tasvir tasnifi algoritmlarida nisbatan kuchli va zaif tomonlari haqida tushunchaga ega bo‘lish mumkin. KNN algoritmi tegishli dasturlash kutubxonalari yoki Python-da scikit-learn kabi maxsus kutubxonasi yordamida amalga oshiriladi. Amalga oshirish tafsilotlari, jumladan, parametr sozlamalari, masofa o‘lchovlari va tortish sxemalari 33eksperimental talablar va eng yaxshi amaliyotlar asosida ehtiyotkorlik bilan tuzilgan. Bundan tashqari, takrorlanuvchanlik va shaffoflikni ta’minlash uchun amalga oshirish kodi, eksperimental skriptlar va noutbuklar bilan birgalikda ommaga taqdim etiladi. Bu boshqa tadqiqotchilar va amaliyotchilarga tajribalarni takrorlash va natijalarni mustaqil ravishda tasdiqlash imkonini beradi. Tizimli eksperimental o‘rnatish va amalga oshirish jarayoniga rioya qilish orqali KNN algoritmining ishlashi qat’iy baholanishi mumkin, bu uning samaradorligi va tasvirni tasniflash vazifalari uchun qo‘llanilishi haqida qimmatli tushunchalarni beradi. 2.4. Eksperimental natijalar 2.4-bob dissertatsiyani asosi bo‘lib xizmat qiladi, bu erda K-Yaqin qo‘shnilar (KNN) algoritmini tasvirlarni tasniflash vazifalariga qo‘llash natijasida olingan empirik topilmalar keltiriladi. Eksperimental natijalarni sinchkovlik bilan tahlil qilish orqali algoritmning turli ma’lumotlar to‘plamlari, parametr konfiguratsiyasi va baholash ko‘rsatkichlari bo‘yicha ishlashi haqida tushunchalar ochiladi. Aniqlik ko‘rsatkichlaridan chalkashlik matritsalariga qadar biz KNNning ishlashini ajratib ko‘rsatamiz, uning kuchli tomonlari, zaif tomonlari va turli tasnif algoritmlarda oydinlik kiritamiz. Ushbu bob orqali o‘quvchilar tasvir tasnifi sohasida KNN samaradorligini ma’lumotlar asosida o‘rganishga kirishadilar. KNN algoritmining kuchli va zaif tomonlari. Keyinchalik, biz eksperimental topilmalar asosida KNN algoritmining kuchli va zaif tomonlarini muhokama qilamiz. Biz algoritmning soddaligi, moslashuvchanligi va talqin qilinishini uning asosiy kuchli tomonlari sifatida ta’kidlaymiz, bu esa uni keng ko‘lamli tasvirlarni tasniflash vazifalari uchun mos qiladi. Shu bilan birga, biz uning cheklovlarini ham tan olamiz, masalan, hisoblash murakkabligi, shovqinga sezgirlik va ahamiyatsiz xususiyatlar va parametrlarni ehtiyotkorlik bilan sozlash zarurati. Boshqa tasniflash usullari bilan solishtirish. Biz KNN algoritmining ishlashini tasvirlarni tasniflash uchun keng tarqalgan bo‘lib foydalaniladigan boshqa zamonaviy mashina o‘rganish algoritmlari bilan solishtiramiz, masalan, 34Yordamchi Vektorli Mashinalar (SVM), Konvolyutsion Neyron Tarmoqlar (CNN) va Qaror Daraxtlari. Biz KNN ning nisbiy kuchli va zaif tomonlarini ushbu algoritmlarga nisbatan tahlil qilamiz va KNN o‘z boshqa algoritmlarga nisbatan ustun yoki past bo‘lgan algoritmlarni muhokama qilamiz [17,18,19]. Amaliy natijalar va kelajakdagi yo‘nalishlar. Va nihoyat, biz KNN algoritmini real dunyo ilovalarida tasvirlarni tasniflash uchun foydalanishning amaliy natijalarini muhokama qilamiz. Tibbiy diagnostika, obyektni aniqlash va ularni tushunish va sharhlash, soddalik va moslashuvchanlik muhim bo‘lgan algoritmlarda uning qo‘llanilishini ta’kidlaymiz. Shuningdek, biz kelajakdagi tadqiqot va takomillashtirish uchun potentsial yo‘nalishlarni aniqlaymiz, masalan, hisoblash samaradorligini optimallashtirish, va KNNni boshqa mashinani o‘qitish usullari bilan integratsiyalash. Eksperimental natijalarni sintez qilish va ularning oqibatlarini muhokama qilish orqali ushbu bo‘lim tasvirlarni tasniflash vazifalari uchun KNN algoritmining samaradorligi va qo‘llanilishi haqida qimmatli fikrlarni beradi. U amaliyotchilar va tadqiqotchilarni KNN ning kuchli tomonlari va cheklovlari haqida ma’lumot beradi va ushbu sohada kelajakdagi tadqiqot va rivojlanish yo‘nalishlarini taklif qiladi. KNN algoritmi asosida tasvirlarni tasniflash algoritmi 1-qadam. Ma’lumotlarni yig‘ish va qayta ishlash. Turli sinflar/toifalarni ifodalovchi tasvirli ma lumotlar to plami ʼ ʻ D= {(xi,yi)}i=1 n yig‘iladi. Bunda xi i - tasvirning xususiyat vektorini ifodalaydi va yi uning labeli. 2-qadam. Ma’lumotlarni qayta ishlash. Tasvirlarning o‘lchamlarini bir xil o‘lchamga o‘zgartirish va piksel qiymatlarini normallashtirish orqali ular oldindan quyidagi formula orqali qayta ishlanadi. xi '= resize (xi) , xi ''= resize (xi ') 3-qadam. Ma’lumotlarni bo‘lish. KNN tasniflagichining ishlashini baholash uchun ma’lumotlar to‘plami o‘quv va test to‘plamlariga bo‘linadi. 70% o‘quv va 30% test. 35Dtrain = {(xi '',yi)}i=1 0.7n , Dtest ={(xi '',yi)}i=0.7n+1 n 4-qadam . KNN tasniflagichini o‘qitish. KNN klassifikatori o‘quv ma’lumotlari va ularga mos keladigan teglardan foydalanib o‘qitiladi. 5-qadam. Tasniflash. Har bir test tasviri xj ''∈Dtest uchun xususiyat vektorini va Dtrain o'quv to'plamidagi barcha xi '' tasvirlarning xususiyat vektorlari orasidagi Evklid masofasini d hisoblanadi. d(xj'',xi'')=√∑k=1 m (xj,k'' − xi,k'' )2 Hisoblangan masofalar asosida K eng yaqin qo‘shnilar tanlanadi. N j = ¿ ¿ Bunda quyidagi shart bajarilishi kerak d(xj'',xi1 '')≤ d(xj'',xi2 '')≤...≤d(xj'',xiK'') 6-qadam. Bashorat qilish. Sinov tasviriga sinf yorlig‘i K eng yaqin qo‘shnilari orasida ko‘pchilik sinfiga qarab belgilanadi. ^yi= f(yi1,yi2,...,yiK) 7-qadam. Baholash. Tasniflagichning ishlashini baholash uchun taxmin qilingan yorliqlarni test tasvirlarining haqiqiy teglari bilan solishtiriladi. Tasniflagichning ish faoliyatini baholash uchun Accuracy va F1 score kabi baholash ko‘rsatkichlari hisoblanadi. 8-qadam . Parametrlarni sozlash. KNN tasniflagichining ishlashini optimallashtirish uchun K va masofa ko‘rsatkichlarining turli qiymatlari bilan tajriba o‘tkaziladi. K ∈{1,2,3,4,8,9 ,...} , dmasofa ∈{Evklid, Manxetten, Minkovski } Optimal giperparametrlarni topish uchun Grid qidiruvi usulidan foydalaniladi. Ushbu qadamlarni bajarib, biz KNN mashinasini o‘qitish algoritmi asosida tasvirlarni oldindan belgilangan sinflar yoki toifalarga aniq tasniflash qobiliyatiga ega mustahkam va samarali tasvir tasniflash modelini ishlab chiqishimiz mumkin. 36 373-BOB. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING DASTURIY TA’MINOTI VA UNDAN FOYDALANISH TAVSIFI 3.1. Funksional sxema va uning tavsifi Ushbu bo’limda Dasturiy ta’minotning funksional sxemasi tasvirlangan.Bu sxema ishlash prinsipini yoritib beradi. 3. -rasm. Dasturiy ta’minotning funksional sxemasi tasvirlangan. 383.2. Dasturiy ta’minot tavsifi va undan foydalanish 3.1-rasm. Dasturning asosiy oynasi Ushbu rasmda dasturning asosiy oynasi joylashgan. Ko‘rib turganingizdek asosiy oynaning yuqori qismida 3 ta tugma joy olgan. Bular “Ma’lumotlarni o‘qitish”, “Modelni o‘qitish”, hamda “ Chiqish” tugmalari hisoblanadi. Bu tugmalar: Ma’lumotlarni o‘qitish - Tayyorlangan datasetni KNN algoritmi bo’yicha o’qitiladigan oynaga olib o’tadi. Modelni ishlatish – Ma’lumotlarni o’qitishdan olingan modelni ishlatish oynasiga o’tadi. Chiqish - Bu tugma dasturdan chiqishni ta’minlaydi. 393.2-rasm. Datasets bo’limi 3.2-rasm keltirilgan oyna ma’lumotlarni o‘qitish oynasi hisoblanadi. Unda menyular satrida “File”, “Run”, “Help” tugmalari joylashgan. File tugmasi tarkiribida uchta tugma mavjud. Bular train ma’lumotlarni kiritish, test ma’lumotlarni kiritish, Run - bu tugmasining vazifasi train va test ma’lumotlari kiritilgandan so‘ng KNN algoritmi bo‘yicha ma’lumotlarni o‘qitishni ishga tushirish. Help esa dastur haqida ma’lumot olish va dasturda biror bir muammo chiqsa dasturchi bilan bog‘lanish imkonini beradi. 3.3-rasm. Train datasetini kiritish . Bu rasmda keltirilgan oynada o’qitmoqchi bo’lgan train datasetini kiritish oynasi keltirilgan. 403.4-rasm. Test datasetini kiritish Bu rasmda keltirilgan oynada o’qitmoqchi bo’lgan test datasetini kiritish oynasi keltirilgan. 3.5-rasm. Bu yerda k eng yaqin qo’shnilarni kiritish keltirilgan Bu oynada train va test dataset kiritilgandan so’ng k eng yaqin qo’shnilar sonini kiritiladi. 3.6-rasm. Modelni o’qitilgan oyna Bu rasmda modelning aniqligini baholash qismi chiqadi. Rasmning pastki qismida modelning baholash natijasi chiqarilgan. Modelning aniqligi ya’ni 41Accuracy 73% chiqdi. Yani bu o‘qitiladigan ma’lumotni KNN algoritmi uchun yaxshi natija deyish mumkin. Bu yerda asosan 3 xil lebel turibdi 0,1,2, bu sonlar lebelning indekslari hisoblanadi. 0-indeks bizga Catni beradi. 1- indeks Dogni beradi. 2- indeks esa Others beradi 3.7-rasm. Rasmda modelni ishlatish oynasi Bu oynada KNN algoritmi bo‘yicha datasetni o‘qitgan so‘ng olingan natija modelini ishlatish oynasi rasmi keltirilgan. Bu rasmning menyular satrida 3 tugma mavjud, bular “File”, “Run”, “Help”. File bo‘limida aniqlamoqchi bo‘lgan tasvirni manzilini ko‘rsatish kerak. Run - bu tugmaning vazifasi KNN algoritmi bo‘yicha ma’lumotlarni o‘qitishidan olingan modelni ishga tushirish. Help esa dastur haqida ma’lumot olish va dasturda biror bir muammo chiqsa dasturchi bilan bog‘lanish imkonini beradi. 42 3.9-rasm. Natija oynasi Keltirilgan rasmda manzili ko’rsatilgan tasvirni model taxmin qilgan lebelini ko’rish va haqiqatdan lebel to’g’ri keltirilganmi yo’qmi tekshirish uchun tasvirni ekranga chiqarish. 43 Xulosa Ushbu bitiruv malakaviy ishida K-Eng yaqin qo‘shnilar (KNN) algoritmidan foydalangan holda tasvirlarning tasniflash jarayoni tahlil qilindi. Tadqiqotda algoritmning nazariy asoslari, amaliy qo‘llanilishi va tasvirlarni tasniflash bo‘yicha turli vazifalardagi ishlashi ko‘rib chiqildi. Turli xil ma'lumotlar to'plamlari va parametr sozlamalari bo'yicha KNNning aniqligini baholash orqali tadqiqot turli tasniflash muammolarini hal qilishda KNNning kuchli va cheklovlari tahlil qilindi. KNN algoritmi asosida tasvirlarni sinflashtirish algoritmi ishlab chiqildi hamda ishlab chiqilgan tasvirlarni sinflashtirish algoritmining dasturiy ta’minoti yaratildi. 44FOYDALANILGAN ADABIYOTLAR 1. S. Shanjida, M. S. Islam and M. Mohiuddin, “MRI-Image based Brain Tumor Detection and Classification using CNN-KNN,” 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET), Arad, Romania, 2022, pp. 900-905, doi: 10.1109/GlobConET53749.2022.9872168. 2. P. Ahmadi, “A simple and efficient method for segmentation and classification of aerial images,” 2013 6th International Congress on Image and Signal Processing (CISP), Hangzhou, China, 2013, pp. 566-570, doi: 10.1109/CISP.2013.6744061. 3. F. P. Kressler, M. Franzen and K. Steinnocher. “Segmentation based classification of aerial images and its potential to support the update of existing land use data bases.” Commission VI, WG VI/4 , 2005. 4. L. Matikainen, K. Karila, “Segment-Based Land Cover Mapping of a Suburban Area-Comparison of High-Resolution Remotely Sensed Datasets Using Classification Trees and Test Field Points”, Remote Sensing, MDPI, Volume 3, Issue 8, p.28, 2011. 5. F. Zang, J. Zhang, “Discriminative learning by sparse representation for classification”, Journal of Neurocomputing, 2176-2183, 2011. 6. D. W. Aha, D. Kibler, and M. K. Albert. Instance-based learning algorithms. Machine Learning, 6:37–66, 1991. 7. A. Beygelzimer, S. Kakade, and J. Langford. Cover trees for nearest neighbor. In Proceedings of 23rd International Conference on Machine Learning (ICML 2006), 2006. 8. H. Brighton and C. Mellish. Advances in instance selection for instance- based learning algorithms. Data Mining and Knowledge Discovery, 6(2):153–172, 2002. 9. C. Brodley. Addressing the selective superiority problem: Automatic algorithm/mode class selection. In Proceedings of the 10th International Conference on Machine Learning (ICML 93), pages 17–24. Morgan Kaufmann Publishers Inc., 1993. 4510. R. M. Cameron-Jones. Minimum description length instance-based learning. In Proceedings of the 5th Australian Joint Conference on Artificial Intelligence, pages 368–373. Morgan Kaufmann Publishers Inc., 1992. 11. S.J. Delany and D. Bridge. Feature-based and feature-free textual cbr: A comparison in spam filtering. In D. Bell, P. Milligan, and P. Sage, editors, Proceedings of the 17th Irish Conference on Artificial Intelligence and Cognitive Science (AICS’06), pages 244–253, 2006. 12. S.J. Delany and P. Cunningham. An analysis of case-base editing in a spam filtering system. In 7th European Conference on Case-Based Reasoning. Springer Verlag, 2004. 13. G. W. Gates. The reduced nearest neighbor rule. IEEE Transactions on Information Theory, 18(3):431–433, 1972. 14. P. E. Hart. The condensed nearest neighbor rule. IEEE Transactions on Information Theory, 14(3):515–516, 1968. 15. E. J. Keogh, S. Lonardi, and C. Ratanamahatana. Towards parameter- free data mining. In W. Kim, R. Kohavi, J. Gehrke, and W. DuMouchel, editors, KDD, pages 206–215. ACM, 2004. 16. R. Kohavi and G. H. John. Wrappers for feature subset selection. Artif. Intell., 97(1-2):273–324, 1997. 17. S. Kullback and R. A. Leibler. On information and sufficiency. Annals of Mathematical Statistics, 22:79–86, 1951. 18. M. Lenz and H-D. Burkhard. Case retrieval nets: Basic ideas and extensions. In KI - Kunstliche Intelligenz, pages 227–239, 1996. 19. M. Lenz, H.-D.Burkhard, and S. Br¨uckner. Applying case retrieval nets to diagnostic tasks in technical domains. In Ian F. C. Smith and Boi Faltings, editors, EWCBR, volume 1168 of Lecture Notes in Computer Science, pages 219– 233. Springer, 1996. 46 ILOVA Dastur kodi: import os import cv2 import numpy as np from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report # Image o‘lchamlari IMG_HEIGHT = 64 IMG_WIDTH = 64 # Image larni o‘qish uchun funksiya def load_images_from_folder(folder): images = [] labels = [] for filename in os.listdir(folder): img = cv2.imread(os.path.join(folder,filename)) if img is not None: img = cv2.resize(img, (IMG_HEIGHT, IMG_WIDTH)) images.append(img) labels.append(folder) return (images, labels) # Image larni yuklash folders = [‘/content/train/Cat’, ‘/content/train/Dog‘, ‘/content/train/Others’] imgs = [] labels = [] for folder in folders: imgs_folder, labels_folder = load_images_from_folder(folder) imgs += imgs_folder labels += labels_folder 47# Image larni numpy arrayga aylantirish imgs = np.array(imgs) labels = np.array(labels) # Image larni 1D arrayga aylantirish imgs = imgs.reshape(imgs.shape[0], IMG_HEIGHT*IMG_WIDTH*3) # Ma’lumotlarni train va test qismlarga bo‘lish X_train, X_test, y_train, y_test = train_test_split(imgs, labels, test_size=0.2, random_state=42) # KNN modelini yaratish va o‘qitish knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X_train, y_train) # Test ma’lumotlari bo‘yicha bajarimni baholash y_pred = knn.predict(X_test) print(classification_report(y_test, y_pred)) import pickle from torchvision import transforms from PIL import Image # Load the saved model from the file with open(‘/content/knn_model.pkl’, ‘rb’) as file: loaded_model = pickle.load(file) # Define transformations for the new images transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Load and preprocess the new images new_image_path = "/content/train/Dog/11012_jpg.rf.15c70d1c73f4617d7c83bac26df4d2f5.jpg" # Replace with the path to your new image new_image = Image.open(new_image_path) 48new_image = transform(new_image).unsqueeze(0) # Use the loaded model to predict the label of the new image predicted_label = loaded_model.predict(new_image.view(new_image.shape[0], - 1).numpy()) # Print the predicted label print(predicted_label) from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from torch.utils.data import DataLoader import pathlib train_path = pathlib.Path(‘/content/train’) test_path = pathlib.Path(‘/content/valid’) from torchvision import datasets, transforms # Define transformations for the images transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Create train and test datasets train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Create data loaders train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Get the data and labels from the data loaders train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # Reshape the data to 2D (n_samples, n_features) and convert to numpy arrays train_data = train_data.view(train_data.shape[0], -1).numpy() 49train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # Initialize the KNN classifier with a given number of neighbors (e.g., 3) knn = KNeighborsClassifier(n_neighbors=21) # Fit the model to the training data knn.fit(train_data, train_labels) # Use the trained model to predict the classes of the test set y_pred = knn.predict(test_data) # Print the classification report to evaluate the model’s performance print(classification_report(test_labels, y_pred)) import pickle from torchvision import transforms from PIL import Image # Load the saved model from the file with open(‘knn_model.pkl’, ‘rb’) as file: loaded_model = pickle.load(file) # Define transformations for the new images transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Load and preprocess the new images new_image_path = "/content/test/Cat/00000011_015_jpg.rf.2bc1fdae8347ab7418bbe2454741b98c.jpg " # Replace with the path to your new image new_image = Image.open(new_image_path) new_image = transform(new_image).unsqueeze(0) # Use the loaded model to predict the label of the new image 50predicted_label = loaded_model.predict(new_image.view(new_image.shape[0], - 1).numpy()) # Print the predicted label print(predicted_label) from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.pipeline import Pipeline from torchvision import datasets, transforms from torch.utils.data import DataLoader import pathlib # Define paths for train and test data train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) # Define transformations for the images transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Create train and test datasets train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Create data loaders train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Get the data and labels from the data loaders train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) 51# Reshape the data to 2D (n_samples, n_features) and convert to numpy arrays train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # Define a pipeline with feature scaling and dimensionality reduction pipeline = Pipeline([ (‘scaler’, StandardScaler()), # Standardize features (‘pca’, PCA(n_components=50)), # Reduce dimensionality (‘knn’, KNeighborsClassifier(n_neighbors=100)) # KNN classifier ]) # Fit the pipeline to the training data pipeline.fit(train_data, train_labels) # Use the pipeline to predict the classes of the test set y_pred = pipeline.predict(test_data) # Print the classification report to evaluate the model’s performance print(classification_report(test_labels, y_pred)) from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from torch.utils.data import DataLoader import pathlib import pickle train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) from torchvision import datasets, transforms # Define transformations for the images transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() 52]) # Create train and test datasets train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Create data loaders train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Get the data and labels from the data loaders train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # Reshape the data to 2D (n_samples, n_features) and convert to numpy arrays train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # Initialize the KNN classifier with a given number of neighbors (e.g., 3) knn = KNeighborsClassifier(n_neighbors=100) # Fit the model to the training data knn.fit(train_data, train_labels) # Use the trained model to predict the classes of the test set y_pred = knn.predict(test_data) # Print the classification report to evaluate the model’s performance print(classification_report(test_labels, y_pred)) # Save the trained model to a file with open(‘knn_model.pkl’, ‘wb’) as file: pickle.dump(knn, file) from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from sklearn.model_selection import GridSearchCV 53from torch.utils.data import DataLoader import pathlib from torchvision import datasets, transforms # Ma’lumotlarni yuklash uchun yo‘l train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) # Rasmlarni o‘zgartirishlar tuzilmasini aniqlash transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Ma’lumotlar to‘plamlarini yaratish train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Ma’lumotlarni yuklash uchun yig‘indilashchilar train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Ma’lumotlarni olish train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # 2D shaklda (n_samples, n_features) ga o‘zgartirish va numpy massivlariga aylantirish train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # KNN modelini aniqlash knn = KNeighborsClassifier() 54# Optimallashtirilayotgan parametrlar param_grid = { ‘n_neighbors’: [3, 4, 5, 6, 7], # K-ni o‘zgartiramiz ‘weights’: [‘uniform’, ‘distance’] # Chetlash uchun o‘zgaruvchilar } # GridSearchCV orqali eng yaxshi parametrlarni topish grid_search = GridSearchCV(estimator=knn, param_grid=param_grid, cv=3) grid_search.fit(train_data, train_labels) # Eng yaxshi parametrlarni topib chiqarish best_params = grid_search.best_params_ print("Eng yaxshi parametrlar:", best_params) # Eng yaxshi modelni topib chiqarish best_knn = grid_search.best_estimator_ # Test ma’lumotlarini sinov uchun aniqlash y_pred = best_knn.predict(test_data) # Modelni baholash uchun sinov natijalarini chop etish print(classification_report(test_labels, y_pred)) from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from torch.utils.data import DataLoader import pathlib from torchvision import datasets, transforms # Ma’lumotlarni yuklash uchun yo‘l train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) # Rasmlarni o‘zgartirishlar tuzilmasini aniqlash transform = transforms.Compose([ transforms.Resize((240, 240)), transforms.ToTensor() ]) 55# Ma’lumotlar to‘plamlarini yaratish train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Ma’lumotlarni yuklash uchun yig‘indilashchilar train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Ma’lumotlarni olish train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # 2D shaklda (n_samples, n_features) ga o‘zgartirish va numpy massivlariga aylantirish train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # KNN modelini aniqlash knn = KNeighborsClassifier(n_neighbors=4) # Ma’lumotlar bazasini o‘qitish knn.fit(train_data, train_labels) # Test ma’lumotlarini sinov uchun aniqlash y_pred = knn.predict(test_data) # Modelni baholash uchun sinov natijalarini chop etish print(classification_report(test_labels, y_pred)) from sklearn.neighbors import KNeighborsClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import classification_report from sklearn.ensemble import VotingClassifier from torch.utils.data import DataLoader import pathlib 56from torchvision import datasets, transforms # Ma’lumotlarni yuklash uchun yo‘l train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) # Rasmlarni o‘zgartirishlar tuzilmasini aniqlash transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Ma’lumotlar to‘plamlarini yaratish train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Ma’lumotlarni yuklash uchun yig‘indilashchilar train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) # Ma’lumotlarni olish train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # 2D shaklda (n_samples, n_features) ga o‘zgartirish va numpy massivlariga aylantirish train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # KNN modelini aniqlash knn = KNeighborsClassifier(n_neighbors=4) # Decision Trees modelini aniqlash decision_tree = DecisionTreeClassifier() 57# Qaror Daraklari va KNN algoritmlarini birlashtirish voting_clf = VotingClassifier(estimators=[(‘knn’, knn), (‘decision_tree’, decision_tree)], voting=‘hard’) # Qo‘shimcha modelni o‘qitish voting_clf.fit(train_data, train_labels) # Test ma’lumotlarini sinov uchun aniqlash y_pred = voting_clf.predict(test_data) # Modelni baholash uchun sinov natijalarini chop etish print(classification_report(test_labels, y_pred)) from sklearn.ensemble import RandomForestClassifier, VotingClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report from torch.utils.data import DataLoader import pathlib from torchvision import datasets, transforms # Ma’lumotlarni yuklash uchun yo‘l train_path = pathlib.Path(‘/content/Images/train’) test_path = pathlib.Path(‘/content/Images/test’) # Rasmlarni o‘zgartirishlar tuzilmasini aniqlash transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) # Ma’lumotlar to‘plamlarini yaratish train_dataset = datasets.ImageFolder(train_path, transform=transform) test_dataset = datasets.ImageFolder(test_path, transform=transform) # Ma’lumotlarni yuklash uchun yig‘indilashchilar train_loader = DataLoader(train_dataset, batch_size=len(train_dataset), shuffle=True) test_loader = DataLoader(test_dataset, batch_size=len(test_dataset), shuffle=True) 58# Ma’lumotlarni olish train_data, train_labels = next(iter(train_loader)) test_data, test_labels = next(iter(test_loader)) # 2D shaklda (n_samples, n_features) ga o‘zgartirish va numpy massivlariga aylantirish train_data = train_data.view(train_data.shape[0], -1).numpy() train_labels = train_labels.numpy() test_data = test_data.view(test_data.shape[0], -1).numpy() test_labels = test_labels.numpy() # KNN modelini aniqlash knn = KNeighborsClassifier(n_neighbors=4) # Random Forests modelini aniqlash random_forest = RandomForestClassifier(n_estimators=100) # VotingClassifier orqali KNN va Random Forests algoritmlarini birlashtirish voting_clf = VotingClassifier(estimators=[(‘knn’, knn), (‘random_forest’, random_forest)], voting=‘hard’) # Qo‘shimcha modelni o‘qitish voting_clf.fit(train_data, train_labels) # Test ma’lumotlarini sinov uchun aniqlash y_pred = voting_clf.predict(test_data) # Modelni baholash uchun sinov natijalarini chop etish print(classification_report(test_labels, y_pred))

1MASHINAVIY O‘QITISHNING KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASH Mundarija Kirish………………………………………………………………...…... 3-5 1. MASHINAVIY O‘QITISH ASOSIDA TASVIRLARNI TASNIFLASHNING TIZIMLI TAHLIL …..………………………………..….... 6 1.1. Tasvirlarni tasniflash asoslari ... ……………………….……….……………6 1.2. Tasvirlarni tasniflash uchun mashinani o‘rganish algoritmlari……………... 9 1.3. Tasvirlarni tasniflashda KNN algoritmining qo‘llanilishi.. ………...……... 12 1.4. KNN algoritmining afzalliklari va cheklovlari ……………...………....… 13 2. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING METODOLOGIYASI………………………………………….…………..….….15 2.1. Ma’lumotlar to‘plami tavsifi …………….. …………………………...... 15 2.2. Ma’lumotlarga o ldindan ishlov berish texnikasi …. …….…………….….. 16 2.3. KNN algoritmi……………………………………………………...…....... 17 2.4 KNN algoritmini o‘qitish……………...…….…………………………..... 28 2.4 Eksperimental natijalar ...……………...…….…………………………..... 33 3. KNN ALGORITMI ASOSIDA TASVIRLARNI TASNIFLASHNING DASTURIY TA’MINOTI VA UNDAN FOYDALANISH TAVSIFI ..……….. 36 3.1 Funksional sxema va uning tavsifi ………………………..…………..…... 36 3.2 Dasturiy ta’minot tavsifi va undan foydalanish. ….…..…………….…….. 37 Xulosa………………………………………………………………………........ 42 Foydalanilgan adabiyotlar ro‘yxati…………………………………………….... 43 Ilova…………………………………………………………………………....... 45

2 K I R I SH Masalaning dolzarbligi. KNN algoritmidan foydalangan holda tasvirlarni tasniflash mavzusi kompyuterli ko‘rish va mashinani o‘qitish sohasida katta ahamiyatga ega. O‘zining soddaligi va samaradorligi bilan mashhur bo‘lgan KNN algoritmi obyektni tanib olish va tibbiy tasvirlashdan tortib kuzatuv tizimlarigacha bo‘lgan ilovalar bilan tasvir tasnifiga ko‘p qirrali yondashuvni taklif etadi. Turli sohalarda raqamli tasvirlarning eksponensial o‘sishi bilan tasvirlarni avtomatik ravishda tasniflash va izohlash qobiliyati dolzarb masala hisoblanadi. Avtonom transport vositalari sohasida KNN algoritmi obyektlarni aniqlash va tasniflashga, o‘z-o‘zini boshqarish texnologiyalarining xavfsizligi va ishonchliligini oshirishga hissa qo‘shadi. Chakana savdoda tasvirni tasniflash inventarizatsiyani boshqarishni soddalashtirishi va mahsulotni aniq tanib olish va tavsiya etish tizimlari orqali mijozlar tajribasini yaxshilashi mumkin. Bundan tashqari, xavfsizlik tizimlarida KNN algoritmi shaxslar va obyektlarni aniqlash va tanib olishda yordam beradi va shu bilan kuzatuv va xavfsizlik choralarini kuchaytiradi. Raqamli tasvirlarning ortishi to‘xtovsiz davom etar ekan, tasvirlarni tasniflashning samarali, aniq va kengaytiriladigan usullariga bo‘lgan ehtiyoj tobora ortib bormoqda. KNN algoritmining turli xil ma’lumotlar to‘plamlariga moslashish qobiliyati va uni amalga oshirish qulayligi ushbu kontekstda qimmatli vositaga aylantiradi. Bundan tashqari, hisoblash quvvatidagi uzluksiz yutuqlar va murakkab xususiyatlarni ajratib olish texnikasining rivojlanishi KNN algoritmining potentsialini va real stsenariylarda qo‘llanilishini kengaytirmoqda. Shuning uchun, tasvirni tasniflash uchun KNN algoritmini qo‘llash va takomillashtirish texnologiyani rivojlantirish turli sohalarda aqlli, avtomatlashtirilgan tasvir tahliliga ortib borayotgan talabni qondirish uchun juda muhim hisoblanadi.

3Masalaning qo‘yilishi. Mashinaviy o‘qitishning KNN algoritmi asosida tasvirlarni tasniflash algoritmi va dasturiy ta’minotini yaratish qaralgan. Tadqiqotning maqsadi : m ashinaviy o‘qitishning KNN algoritmi asosida tasvirlarni sinflashtirish algoritmi va dasturi y ta’minoti ishlab chiqishd an iborat . Tadqiqotning vazifalari: Dissertatsiya ishining maqsadini amalga oshirish uchun quyidagi vazifalar bajariladi: 1. KNN algoritmi va uning yordamida tasvir larni sinflashtirish masalasi tizimli tahlil qilinadi . 2. Tasvir ni sinflashtirish uchun kerakli ma’lumotlar to‘plami qayta ishlanadi . 3. KNN algoritmi asosida tasvir larni sinflashtirish algoritmi ishlab chiqiladi . 4. Ishlab chiqilgan tasvir larni sinflashtirish algoritmining dasturiy ta’minoti yaratiladi. Ishning nazariy va amaliy ahamiyati KNN algoritmi asosida mashinaviy o‘qitishning tasvir sinflashtirish masalasini muvaffaqiyatli yechish uchun zarurdir. Bu, algoritmdagi tushunchalarni o‘rganish, ma’lumotlarni tayyorlash va sinflashtirish , natijalarni tahlil qilish va algoritmdagi parametrlarni optimallashtirishni o‘z ichiga oladi. Tasnif. BMI kirish qismi, uchta bob, xulosa va foydalanigan adabiyotlardan tashkil topgan. Ilovada, dastur kodi keltirilgan. 1-bobda, mashinani o‘qitishning KNN algoritmidan foydalangan holda tasvirlarni tasniflash tizimli tahlil qilingan. 2-bobda, tasvir ma’lumotlariga oldindan ishlov berish va KNN algoritmini o‘qitish jarayoni keltirilgan. 3 -bobda , tasvirlarni tasniflashni dasturiy ta’minoti va undan foydalanish tavsifi berilgan . BMI mazmuni aks ettirilgan va nashr etilgan maqolalar. Yarmatov Sh.Sh., Axmedov R.I. Image classification based on the knn algorithm of machine learning. // “Yangi O‘zbekiston: fan, ta’lim va innovatsiya” Respublika miqyosidagi ilmiy-texnik anjuman. – Jizzax, 2024. – B. 270-272. Tadqiqot mavzusi bo‘yicha adabiyotlar tahlili:

4T. Xasti, R. Tibshirani, J. Fridman. “The Elements of Statistical Learning”. Publication: 2009, Springer. – Ushbu tadqiqotda turli xil statistik o‘qitish usullarini, jumladan K-Eng yaqin qo‘shnilar (KNN) algoritmini to‘liq ko‘rib chiqilgan. Mualliflar KNNning nazariy asoslarini, tasniflash vazifalarida uning soddaligi va samaradorligini tahlil qilgan. Kitob, shuningdek, parametrlarni sozlash va hisoblash murakkabligi kabi amaliy fikrlarni o‘z ichiga oladi. P. Cunningham, S. Delany. “k-Nearest Neighbour Classifiers”. Publication: 2007, UCD-CSI Working Paper Series. – Ushbu maqolada KNN algoritmi batafsil o‘rganilib, uning kuchli va kamchiliklari tahlil qilingan. Mualliflar algoritmning turli sohalarda, jumladan tasvirlarni tasniflashda qo‘llanilishi haqida tushunchalar bergan. Ular masofa o‘lchovlari, xususiyatlarni tanlash va K ning turli qiymatlarining tasniflash samaradorligiga ta’sirini muhokama qilganlar. L. Liu, X. Liu, X. Cheng. “A Novel Improved K-Nearest Neighbors Algorithm for Image”. Publication: 2017, IEEE Access. – Ushbu tadqiqotda an’anaviy KNN algoritmini tasvirlarni tasniflash vazifalarida ishlashini yaxshilash uchun takomillashtirish taklif qilingan. Mualliflar K-qo‘shnilar uchun moslashuvchan tortish sxemasini va yangi xususiyatlarni ajratib olish usulini taqdim etgan. Ularning eksperimental natijalari tasniflash aniqligida sezilarli yaxshilanishlarni ko‘rsatib bergan. A. Oliva, A. Torralba. “Modeling the Shape of the Scene: A Holistic Representation of the Spatial Envelope”. Publication: 2001, International Journal of Computer Vision. – Garchi ushbu maqolada faqat KNNga e’tibor qaratilmagan bo‘lsada, ushbu maqola sahna tasnifi uchun yaxlit xususiyatni aks ettiruvchi fazoviy konvert tushunchasini taqdim etadi. Tavsiya etilgan xususiyatni ajratib olish usuli tasvirni tasniflash uchun KNN bilan samarali birlashtirilishi mumkin. R. Duda, P. Xart, D. Stork. “Pattern Classification”. Publication: 2000, Wiley-Interscience. – Ushbu kitob klassik tasniflash usullarining keng doirasini, shu jumladan KNN algoritmini o‘z ichiga oladi. Mualliflar algoritmning nazariy asoslarini, amaliy tatbiqini va tasvirlarni tasniflashda qo‘llanilishini har tomonlama tahlil qilganlar.

5

O'xshashlar

DIRAK VA ORE TEOREMALARI ASOSIDA GAMILTON SIKLINI TOPISH ALGORITMI
O’ZBEKISTON LANDSHAFTLARINI TASNIFLASH
Deykstra Algoritmi
KRASKAL ALGORITMI
Timsort saralash algoritmi