K-NN ALGORITMI BILAN KASALLIK TASHXISI
Keywords:
Kalit so‘zlar: K-NN, kasallik tashxisi, mashinali o‘qitish, klinik ma’lumotlar, xususiyatlar muhandisligi, model baholash, precision, recall, ROC-AUC., Keywords: K-NN, disease diagnosis, machine learning, clinical data, feature engineering, model evaluation, precision, recall, ROC-AUC., Ключевые слова: облачная платформа, виртуализация, вычислительные ресурсы, сеть, безопасность, управление инфраструктуройAbstract
Ushbu maqolada K-Nearest Neighbors (K-NN) algoritmi yordamida kasallik tashxisini aniqlash jarayoni keng va chuqur yoritilgan. Tadqiqotda K-NN algoritmining nazariy asoslari, tibbiyotda qo‘llanilishi, klinik ma’lumotlarni tayyorlash, xususiyatlarni tanlash, modelni qurish va baholash bosqichlari batafsil tushuntiriladi. K-NN algoritmi yurak kasalliklari, diabet, saraton va boshqa kasalliklar tashxisida qanday ishlatilishi misollar bilan ko‘rsatilgan. Maqolada shuningdek, modelning aniqligi, F1-score, precision, recall, ROC-AUC kabi baholash metrikalari tahlil qilinadi. Tadqiqot natijalari shuni ko‘rsatadiki, K-NN algoritmi sodda, samarali va intuitiv bo‘lib, klinik qarorlar qabul qilishda foydali vosita hisoblanadi. Ushbu maqola tibbiyot sohasida sun’iy intellekt va mashinali o‘qitish texnologiyalarini qo‘llashga qiziqqan talabalar va mutaxassislar uchun amaliy va nazariy manba hisoblanadi.
This article provides a comprehensive overview of using the K-Nearest Neighbors (K-NN) algorithm for disease diagnosis. The study explains K-NN’s theoretical foundations, application in medical diagnostics, data preprocessing, feature selection, model construction, and evaluation. K-NN applications include diagnosis of heart disease, diabetes, cancer, and other medical conditions. Evaluation metrics such as accuracy, F1-score, precision, recall, and ROC-AUC are analyzed. The results show that K-NN is simple, effective, and intuitive, making it a valuable tool in clinical decision-making. This article serves as a practical and theoretical resource for students and professionals in healthcare interested in artificial intelligence and machine learning.
В данной статье подробно рассматривается применение алгоритма K-Nearest Neighbors (K-NN) для диагностики заболеваний. Исследование описывает теоретические основы K-NN, его применение в медицинской диагностике, подготовку данных, выбор признаков, построение модели и оценку. Примеры применения K-NN включают диагностику сердечных заболеваний, диабета, рака и других заболеваний. Также анализируются метрики оценки модели: точность (accuracy), F1-score, precision, recall и ROC-AUC. Результаты исследования показывают, что K-NN является простым, эффективным и интуитивно понятным алгоритмом, полезным для принятия клинических решений. Статья является практическим и теоретическим источником для студентов и специалистов, интересующихся применением искусственного интеллекта и машинного обучения в медицине.
