ML ModellariNatijalar Tahlili
Dissertatsiya: "Ma'lumotlar markazlari faoliyatini optimallashtirish uchun sun'iy intellekt va vizuallashtirish texnologiyalaridan foydalanish"
Isolation Forest F1=0.83 Ensemble F1=0.89 … K-means Sil=0.63 DBSCAN Noise~8% SUS=78.5
- Ma'lumot yo'q
0.89
Ensemble F1-Score
0.63
K-means Silhouette
~8%
DBSCAN Noise
78.5
SUS Score (UX)
120ms
API Response (median)
2.86
GB/min Throughput
Dissertatsiya 3.4-jadval - Barcha Natijalar Xulosasi
Tajriba-sinov natijalari
Modul Algoritm Asosiy Ko'rsatkich Qiymat Izoh
Anomaliya Isolation Forest F1-Score 0.83 Tree-based, n_estimators=200
Anomaliya One-Class SVM F1-Score 0.78 RBF kernel, nu=0.05
Anomaliya Local Outlier Factor F1-Score 0.78 n_neighbors=5, density-based
Anomaliya Ensemble (Majority) F1-Score 0.89 3 algoritm birlashmasi - ENG YAXSHI
Klaster K-means (k=5) Silhouette Score 0.63 n_init=20, 5 ta foydalanuvchi guruhi
Klaster K-means (k=5) Davies-Bouldin 1.42 Pastroq = yaxshiroq ajratish
DBSCAN DBSCAN (eps=0.8) Noise % ~8% Avtomatik anomal foydalanuvchilar
Performance Flask + pandas API Throughput 2.86 GB/min Preprocessing tezligi
UX SUS Questionnaire SUS Score 78.5 15 foydalanuvchi - "Good to Excellent"
Tizim Arxitekturasi
Browser
HTML/JS/D3
->
Flask API
REST + CORS
->
pandas
DataFrames
->
sklearn
ML models
->
Excel/CSV
HEMIS logs
Ishlatilingan ML Algoritmlari
Isolation Forest
Anomaliya Unsupervised
Decision tree asosida anomaliyalarni ajratish. Har bir nuqtani "izolyatsiya" qilish uchun kerakli split soni hisoblanadi. Kamroq split = anomaliya.
0.87Precision
0.79Recall
0.83F1
One-Class SVM
Anomaliya Kernel-based
Normal ma'lumotlar atrofida chegarani topadi. RBF kernel bilan normal xatti-harakat yuzasini aniqlaydi va tashqaridagilarni anomaliya deb belgilaydi.
0.84Precision
0.72Recall
0.78F1
Local Outlier Factor
Anomaliya Density-based
Qo'shni nuqtalar zichligi bilan solishtiradi. Lokal zichlik past bo'lgan nuqtalar anomaliya hisoblanadi. Turli zichlikdagi klasterlarda samarali.
0.82Precision
0.75Recall
0.78F1
Ensemble (Majority Vote)
Eng Yaxshi … 3 algoritm
3 ta algoritmdan kamida 2 tasi "anomaliya" desa, yakuniy qaror "anomaliya". Bu yondashuv yolg'on ijobiy natijalarni kamaytiradi va umumiy aniqlikni oshiradi.
0.93Precision
0.86Recall
0.89F1 …
K-means (k=5)
Klaster Centroid-based
Foydalanuvchilarni 5 ta guruhga ajratadi. Har iteratsiyada markazlash qayta hisoblanadi. Silhouette 0.63 - yaxshi ajratish sifatini bildiradi.
0.63Silhouette
1.42Davies-Bouldin
5Klaster
DBSCAN
Klaster Density-based
Klasterlar sonini avtomatik aniqlaydi. Noise pointlar (€'1) anomal foydalanuvchilar sifatida belgilanadi. ~8% noise - normal holat.
~8%Noise
AutoK soni
0.8Epsilon
Anomaliya Aniqlash - Adminlar bo'yicha Natijalar
0 anomaliya 0 admin
Isolation Forest ishga tushirilmoqda...
Feature Importance - Anomaliyaga Ta'sir Etuvchi Omillar
Modelni ishga tushuring
K-means Klasterlash - 5 ta Foydalanuvchi Guruhi
Silhouette:- DB:-
K-means algoritmini hisoblash...
PCA 2D Scatter - Klaster Vizualizatsiyasi
-
Elbow Method - Optimal k soni
Optimal k = 5- Elbow nuqtasi va eng yuqori Silhouette Score asosida tanlangan (0.63).
DBSCAN:Hisoblash kutilmoqda...
Anomaliya Algoritmlar F1-Score Taqqoslash
To'liq Jadval - Precision / Recall / F1
… Ensemble eng yaxshi
Algoritm Precision Recall F1-Score Vizual Aniqlangan Tavsif
Radar Diagramma - Algoritmlar Ko'p O'lchovli Taqqoslash
™
Tizim Ishlash Ko'rsatkichlari (Dissertatsiya 3.5)
Foydalanuvchi Tajribasi Baholash - SUS Score
78.5 / 100 - "Good"
SUS (System Usability Scale) - 15 foydalanuvchi bilan o'tkazilgan test natijalari
78.5
Good to Excellent
Qabul qilinadigan: >70
Ajoyib: >85
0 - Yomon51 - OK70 - Yaxshi85 - A'lo100
Performance Benchmarks
Ko'rsatkich Natija Vizual Izoh
Preprocessing Throughput 2.86 GB/min
500K+ log yozuvi qayta ishlash
API Median Response 120ms
REST API o'rtacha javob vaqti
Real-time Latency 80ms
WebSocket update latency
Concurrent Users 100
Bir vaqtda 100 ta foydalanuvchi