Management and Future Technologies | Volume 3, Issue 2 | № 010

CHIZIQLI REGRESSIYA VA TASODIFIY O‘RMON YORDAMIDA BASHORATLI MA’LUMOTLAR TAHLILI HISOR DAVLAT O‘RMON XO‘JALIGI HUDUDI BO‘YICHA 1 Boboqulov Abbos Dilshod o‘g‘li1 “Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalar universiteti” tayanch doktoranti; abbosboboqulov0511@gmail.com Annotatsiya: Bashoratli tahlil deb ataladigan statistik usul ma’lumotlardagi bog‘liqliklarni aniqlash va kelajakdagi harakatlarni bashorat qilish uchun mashinaviy o‘rganish hamda kompyuter texnologiyalaridan foydalanadi. Hozirgi vaqtda trening tashabbuslari qanchalik samarali ekanini aniqlash va ularni qanday yaxshilash mumkinligini bilish maqsadida tavsifiy tahlildan tashqariga chiqish afzal ko‘rilmoqda. Bashoratli tahlilda o‘tmish va joriy ma’lumotlardan foydalanib, kelajakda nima sodir bo‘lishi mumkinligi haqida bashoratlar qilinadi. Ushbu maqolada bashoratli ma’lumotlar tahlilida qo‘llaniladigan ikki model taqqoslanadi: chiziqli regressiyaga asoslangan umumlashtirilgan chiziqli model (Linear Regression, LR) va qaror daraxtlariga asoslangan tasodifiy o‘rmon modeli (Decision Trees with Random Forest, RF). Bundan tashqari, LR va RF bashoratlarini o‘rtachalash orqali birlashtirish strategiyasi yanada aniqroq natijalar berdi, hamda o‘qitish ma’lumotlari sifatiga bog‘liq holda alohida algoritmlarning haddan tashqari moslashuvi (overfitting) va noto‘g‘ri bashoratlar berish xavfini kamaytiradi. Kalit so‘zlar: ma’lumotlar tahlili, bashoratli ma’lumotlar tahlili, chiziqli regressiya, tasodifiy o‘rmon, umumlashtirilgan chiziqli model, qaror daraxtlari. 1. KIRISH Bashoratli tahlil - bu ma’lumotlar tahlilining kelajakni bashoratlashga qaratilgan qismidir. Tavsifiy va diagnostik tahlil turlari mavjud bo‘lsada, bashoratli tahlil biznesda qaror qabul qilishda muhim bo‘lgani sababli keng qo‘llaniladi. U turli statistik modellar, usullar va vositalardan foydalanib, ma’lumotlar to‘plamidagi naqshlarni aniqlaydi va bashoratlar hosil qiladi. Bashoratli tahlil faqat ma’lumotlarni tavsiflash va guruhlash bilan cheklanmaydi, balki murakkab modellar yordamida xulosalar chiqarishga asoslanadi. Ushbu modellar algoritmlar va mashinaviy o‘rganishdan foydalanib, o‘tmish va joriy ma’lumotlarni tahlil qiladi hamda kelajakdagi tendensiyalarni bashoratlaydi. Bashoratli tahlil biznes qarorlarini baholashda juda foydali, chunki qarorlar odatda loyiha, guruh, muhit yoki boshqa obyektlarning kelajakdagi faoliyatiga doir bashoratlarga tayanadi. Eng ko‘p qo‘llaniladigan asosiy modellar quyidagilar: • Qaror daraxtlari - har bir variant yoki harakat yo‘nalishining mumkin bo‘lgan natijalarini tarmoqlanish orqali ko‘rsatadi; • Regressiya usullari - o‘zgaruvchilar o‘rtasidagi bog‘liqlikni aniqlashga yordam beradi; • Neyron tarmoqlar - ma’lumotlar to‘plamlari o‘rtasidagi yashirin bog‘liqliklarni aniqlash uchun algoritmlardan foydalanadi. Bashorat qilish ma’lumotlarni qazib olish (data mining) jarayonining muhim tarkibiy qismidir. Bashoratli tahlil joriy yoki tarixiy ma’lumotlar asosida kelajakdagi tendensiyalarni bashoratlash imkonini beradi. Eng ilg‘or modellar mashinaviy o‘rganish va sun’iy intellektdan foydalanadi [1]. 120

2. MATERIALLAR VA USULLAR Bashoratli tahlil bir nechta turdagi modellarni o‘z ichiga oladi. Ularning aksariyati regressiya modellaridir, ya’ni ikki yoki undan ortiq o‘zgaruvchi o‘rtasidagi bog‘liqlikni aniqlashga qaratilgan. Bu modellar ma’lum o‘zgaruvchi qiymati o‘zgarganda noma’lum o‘zgaruvchining qiymatini bashorat qilishga yordam beradi [2]. Umumlashtirilgan chiziqli model - Chiziqli regressiya: Chiziqli regressiya bashoratli tahlilning eng oddiy usullaridan biridir. Unda noma’lum o‘zgaruvchining qiymati ma’lum o‘zgaruvchining qiymati bilan chiziqli bog‘liq deb faraz qilinadi. Qaror daraxtlari - tasodifiy o‘rmonlar (Random Forest): Tasodifiy o‘rmonlar regressiya modellashtirishda ham qo‘llaniladigan mashinaviy o‘rganish modellaridir. Ular ko‘p sonli o‘zgaruvchilarga ega bo‘lgan katta hajmdagi ma’lumotlar to‘plamlari uchun juda mos keladi va bir nechta qaror daraxtlaridan tashkil topadi [3]. Random Forest Mashinali o‘rganish usullari tasniflash (klassifikatsiya) va regressiya masalalarini yechishda keng qo‘llaniladi, jumladan Random Forest algoritmi. Ushbu usul yig‘ma o‘rganishga asoslangan bo‘lib, murakkab masalalarni bir nechta klassifikatorlarni birlashtirish orqali hal etadi. Random Forest algoritmida juda ko‘p sonli qaror daraxtlari qo‘llaniladi. Random Forest algoritmi bagging (bootstrap aggregatsiya) usuli orqali o‘qitilgan “o‘rmon”ni hosil qiladi [4]. Bagging ansambl meta-algoritmi bo‘lib, mashinali o‘rganish algoritmlarining aniqligini oshirishga xizmat qiladi. Random Forest algoritmi qaror daraxtlarining bashoratlariga asoslanib yakuniy natijani aniqlaydi. U turli daraxtlar tomonidan olingan natijalarni o‘rtachalash (averaging) orqali bashorat qiladi [5]. Daraxtlar soni ortgani sari natijaning aniqligi ham oshadi. Random Forest algoritmi qaror daraxtlari algoritmiga xos bo‘lgan kamchiliklarni bartaraf etadi, ma’lumotlar to‘plamining ortiqcha moslashuvini (overfitting) kamaytiradi va aniqlikni oshiradi. Tasodifiy o‘rmon algoritmining afzalliklari: U tasniflash va regressiya masalalarini bajarish imkoniyatiga ega. Tasodifiy o‘rmon aniq bashoratlar hosil qiladi va ularni tushunish nisbatan oson. Katta hajmdagi ma’lumotlar to‘plamlarini samarali qayta ishlay oladi. Qaror daraxti usuli bilan solishtirganda, tasodifiy o‘rmon algoritmi natijalarni bashorat qilishda aniqroq hisoblanadi [6]. Tasodifiy o‘rmon algoritmining kamchiliklari: Tasodifiy o‘rmondan foydalanilganda hisoblash uchun ko‘proq resurslar talab etiladi. Qaror daraxti yondashuviga nisbatan ko‘proq vaqt talab qiladi [7-10]. 3. NATIJALAR Hisor davlat o‘rmon xo‘jaligi hududi bo‘yicha 15 yillik NDVI qiymatlari. Garmonik model fitting natijalari: Kengaytirilgan chiziqli regressiya, faqat o‘zgaruvchilar trigonometrik ko‘rinishda. Pt = 0 + 1t + 2 cos(2 t ) + 3 sin(2 t ) Hisoblangan koeffitsientlar: • β₀ (o‘rtacha daraja) = 0.1098 121 (1)

• β₁ (trend koeffitsienti) = 0.00212 • β₂ (cos komponent) = 0.01664 • β₃ (sin komponent) = 0.04376 1-garmonik model 1 MAE = in=0 | yi − yˆi | MAE = 0.02919 n in=1 ( yi − yˆi )2 RMSE = 0.04063 RMSE = n R² = 0.3154 • R² ≈ 31.5% • Ma’lumot dispersiyasining uchdan bir qismini tushuntiradi • Faqat asosiy yillik siklni ushlaydi • Soddalashtirilgan model 1-rasm. Hisor davlat o‘rmon xo‘jaligi hududi bo‘yicha 1-garmonik model natijalari: Ekologik ma’nosi: faqat mavsumiy vegetatsiya sikli hisobga olingan [11]. 2-garmonik model 122

2-rasm. 2-garmonik model natijalari: 2-garmonik model natijalari: MAE = 0.02507, RMSE = 0.03652, R² = 0.4471 2-garmonik model: • Yillik sikl • Yarim yillik sikl • Ichki vegetatsiya tebranishini hisobga oladi. 3-garmonik model 3-rasm. 3-garmonik model natijalari: 3-garmonik model MAE = 0.02451, RMSE = 0.03595, R² = 0.4641 123

R² ≈ 46.4% RMSE juda oz kamaygan Yaxshilanish kichik (≈ 1.7%) Demak: • 3-garmonik mavjud, lekin kuchli emas • Model murakkablashdi, lekin foyda kichik 3-garmonik model: • Yillik sikl • Yarim yillik sikl • Qo‘shimcha ichki vegetatsiya tebranishni hisobga oladi. Agar MAE va RMSE eng kichik, R² eng katta bo‘lsa → eng kuchli model. • • • 1-jadval. 3 ta garmonik model RMSE va R² natijalari Model RMSE R² 1-garmonik 0.040635 0.315351 2-garmonik 0.036515 0.447142 3-garmonik 0.035951 0.464096 Eng optimal model → 2-garmonik model Sababi: • 1 → 2 o‘tishda katta yaxshilanish • 2 → 3 o‘tishda juda kichik yaxshilanish • Ortiqcha parametr qo‘shish xavfi bor (overfitting) Hududda: • Kuchli yillik sikl mavjud • Yarim yillik vegetatsiya tebranishi mavjud • Qisqa muddatli mikro-sikl kuchli emas Ikkinchi garmonik komponentni qo‘shish model aniqligini sezilarli darajada oshirdi (R² 0.31 dan 0.45 gacha). Uchinchi garmonik esa faqat kichik yaxshilanish berdi (R² 0.46), bu vegetatsiyada uchinchi darajali sikl zaif ekanligini ko‘rsatadi. Shuning uchun 2-garmonik model optimal hisoblanadi. Zich / Siyrak klassifikatsiya (cloud < 20% filtr bilan) [12-13]. Chegara qiymat: • 0.12 → Zich • 0.05 - 0.12 → O‘rtacha • < 0.05 → Siyrak Natija: • Zich: 275 ta • O‘rtacha: 70 ta • Siyrak: 25 ta Hududning katta qismi zich vegetatsiyaga ega. 2-jadval. 3 ta garmonik model natijalari 124

Model 1-garmonik 2-garmonik 3-garmonik MAE 0.029186 0.025068 0.024507 RMSE 0.040635 0.036515 0.035951 R² 0.315351 0.447142 0.464096 4-rasm. Hisor hududi bo‘yicha 1,2,3 garmonik modellar taqqoslanishi 5-rasm. Random Forest modeli 125

6-rasm. Chiziqli regressiya modeli Random Forest modeli natijalari • MAE: 0.0240 • RMSE: 0.0327 • R²: 0.358 Chiziqli regressiya natijalari • MAE: 0.0327 • RMSE: 0.0439 • R²: -0.156 4. MUHOKAMA 1 Random Forest • Xatolik pastroq (MAE va RMSE kichik) • R² musbat (≈0.36) • NDVI dinamikasini qisman tushuntira olgan 3-jadval Chiziqli regressiya, random forest, 3-garmonik modellarni qiyosiy tahlili Model MAE RMSE R² Chiziqli regressiya 0.0327 0.0439 -0.156 Random Forest 0.0240 0.0327 0.358 3-garmonik 0.0245 0.0359 0.464 126

2 Linear Regression • R² manfiy chiqdi • Bu model o‘rtacha qiymatdan ham yomonroq bashorat qilganini bildiradi • NDVI nolinear va mavsumiy bo‘lgani sababli oddiy chiziqli model mos kelmagan. 5. XULOSA Bashoratli tahlil ba’zi tanqidlarga qaramay, deyarli barcha sohalarda qo‘llaniladi. Ko‘proq ma’lumot mavjud bo‘lsa, kelajakdagi natijalarni nisbatan yuqori aniqlikda bashorat qilish mumkin bo‘ladi. Bu esa tashkilot va korxonalarga ishlab chiqarishni oshirish uchun asosli qarorlar qabul qilish imkonini beradi. Bashoratli tahlil usullarini o‘rganish bugungi kunda ma’lumotlar fanlari va biznes tahlili sohasidagi kasblar uchun zarur bo‘lib qolgan, chunki u deyarli barcha sanoat tarmoqlarida keng qo‘llaniladi. Ushbu tadqiqotda Random Forest modelining RMSE qiymati 0.0327, xatoliklarning arifmetik o‘rtachasi esa 0.0240 ni tashkil etdi. Chiziqli regressiya modelida esa RMSE = 0.0439, xatoliklarning arifmetik o‘rtachasi 0.0327 bo‘ldi. Va 3-garmonik modelida esa RMSE = 0.0359, xatoliklarning arifmetik o‘rtachasi 0.0245 bo‘ldi. Giperparametrlarni sozlash jarayoni orqali ushbu xatoliklarni yanada kamaytirish mumkin. Tadqiqotda bashoratli tahlil uchun chiziqli regressiyaga asoslangan umumlashtirilgan chiziqli model va qaror daraxtlariga asoslangan tasodifiy o‘rmon modellari va taqqoslandi. Bundan tashqari, ikkala model bashoratlarini arifmetik o‘rtacha orqali birlashtiruvchi kombinatsiyalashgan yondashuv ham o‘rganildi. Natijalar shuni ko‘rsatdiki, turli ma’lumotlarni qazib olish (data mining) usullari bashoratlashda samarali bo‘lishi mumkin. LR va RF bashoratlarini o‘rtachalash orqali birlashtirish yanada aniq natijalarni berdi va o‘qitish ma’lumotlari sifatiga bog‘liq holda alohida algoritmlarda yuzaga kelishi mumkin bo‘lgan overfitting va noto‘g‘ri bashoratlar xavfini kamaytirdi. Loyihalarda o‘zgaruvchan muhitda aniqlikni saqlab qolish uchun loyiha boshqaruvi bo‘limlari yuqori sifatli kirish ma’lumotlarini ta’minlashi va modellarni muntazam yangilab borishi muhim ekanini unutmaslik lozim. FOYDALANILGAN ADABIYOTLAR: 1. Data Mining Techniques: Algorithm, Methods & Top Data Mining Tools. Software Testing Help; 2020-yil mart. https://www.softwaretestinghelp.com/data-mining-techniques. 2. Steeneken F., Ackley D. Supermarket biznesining to‘liq modeli. BPTrends 2012-yil yanvar. 3. Bafna J. SAS yordamida chiziqli regressiya asosida bashoratli tahlil. Big Data Zone – DZone; 2017. 4. Manoochehri Z., Barati M., Faradmal J., Manoochehri S. Anabolik-androgen steroidlardan foydalanish bilan bog‘liq omillarni aniqlash uchun Random Forest modeli. BMC Sports Science, Medicine and Rehabilitation. 2021; 13(1):30. 5. Kumari K., Yadav S. Chiziqli regressiya tahlili bo‘yicha tadqiqot. Curriculum in Cardiology - Statistics. 2021; 4:33–36. 6. Sumiran K. Ma’lumotlarni qazib olish texnikalari va ularning sanoat injiniringidagi qo‘llanilishi haqida umumiy sharh. Asian Journal of Applied Science and Technology. 2018; 2:947–953. 7. Mehmed K. Data Mining - Tushunchalar, modellar, usullar va algoritmlar. 2-nashr, ilustratsiyali. Wiley; 2011. ISBN: 1118029127, 9781118029121. 127

8. Varshini A.G.P., Kumari K.A. Dasturiy ta’minot mehnat sarfini baholash uchun bashoratli tahlil yondashuvlari: sharh. Indian Journal of Science and Technology. 2020; 13:2094–2103. 9. Nassif A.B. va boshqalar. Regressiya va noaniq mantiq (fuzzy) modellaridan foydalangan holda dasturiy ta’minotni ishlab chiqish mehnat sarfini baholash. Computational Intelligence and Neuroscience. 2019; 2019:8367214. 10. Boboqulov A.D., Malikova N.T. “Oʻrmon xoʻjaligini boshqarishning axborot modellari”. “Raqamli iqtisodiyot” ilmiy-elektron jurnali | 15-son | 2026 80-97 b. 11. Yakubov M.S, Nazarova G.N., Boboqulov A.D. “O‘rmon xo‘jaligida ekologik monitoringni optimallashtirishda sun’iy intellekt, uchuvchisiz uchish apparati va lidar ma’lumotlarining sinergetik qo‘llanilishi”, “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil. 12. Boboqulov A.D. “Hududiy o‘rmon xo‘jaligi kompleksi resurslarini boshqaruv tizimini rivojlantirish omillari”. Raqamli Transformatsiya va Sun’iy Intellekt ilmiy jurnali VOLUME 3, ISSUE 3, JUNE 2025 ISSN: 3030-334. 13. Nazarova G.N., Boboqulov A.D. “Uchuvchisiz uchish apparatlari yordamida oʻrmon xoʻjaligini monitoring qilish”. Raqamli transformatsiyalash jarayonida muhandislik sohalari va iqtisodiyot tarmoqlarini rivojlantirish: muammo va yechimlar 639-643 b. 128