ML Modellari Natijalar 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