diplomsko delo
Jure Vito Srovin (Avtor), Matjaž Kukar (Mentor)

Povzetek

Modeli strojnega učenja se uporabljajo v mnogih domenah, v katerih imajo napake lahko hude posledice na posameznika in družbo. Napačne klasifikacije in vzroke za njih je pogosto težko odkriti, še posebej pri uporabi kompleksnih modelov, katerih delovanje je človeku nerazumljivo. Cilj diplomske naloge je predstaviti pomen zmožnosti interpretacije modelov strojnega učenja in preveriti uspešnost delovanja preprostih modelov, ki so sami po sebi interpretabilni. Preizkusili smo RiskSLIM, algoritem za gradnjo redkih celoštevilskih linearnih modelov, ki so enostavni za uporabo, in ga primerjali z bolj priljubljenimi metodami strojnega učenja. Rezultate smo pridobili na dvorazrednih in večrazrednih medicinskih podatkovnih množicah različnih velikosti. Uspešnost modelov RiskSLIM na binarnih množicah je bila nekoliko slabša od preostalih metod, vendar še vedno zelo dobra. RiskSLIM ponuja odlično razmerje med interpretabilnostjo modela in uspešnostjo klasifikacij. Vendar pa deluje slabo na množicah, pri katerih je za uspešno klasifikacijo treba upoštevati veliko število atributov, kar pri RiskSLIM ni možno, saj je omejen na majhno število značilk. Uporabljamo ga lahko tudi na večrazrednih podatkovnih množicah s pomočjo metaklasifikatorjev. Njegova velika slabost je dolgotrajen postopek gradnje modela, ki se eksponentno podaljšuje z večjim številom atributov v množici. Zamudna je tudi ročna obdelava podatkov, saj je treba analizirati in diskretizirati vsako značilko posebej.

Ključne besede

interpretabilni modeli;RiskSLIM;strojno učenje v medicini;računalništvo in informatika;univerzitetni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [J. V. Srovin]
UDK: 004.85:61(043.2)
COBISS: 54697731 Povezava se bo odprla v novem oknu
Št. ogledov: 368
Št. prenosov: 94
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Machine learning in medicine with interpretable models
Sekundarni povzetek: Machine learning models are used in many domains where wrong decisions can have severe consequences for the individual and society. Misclassifications and their causes are often difficult to detect, especially when using complex models whose decision-making behaviour is unintelligible to humans. The goal of the thesis is to present the importance of interpretability of machine learning models and evaluate the performance of simple models that are inherently interpretable. We tested RiskSLIM, an algorithm for building sparse linear integer models that are easy to use and compared it to more popular machine learning methods. Results were obtained on binary and multiclass medical datasets of different sizes. The performance of RiskSLIM models on binary datasets was slightly worse than performance of other methods, but very good nonetheless. RiskSLIM offers an excellent trade-off between model interpretability and classification accuracy. However, it has poor performance on datasets, where a large number of features is required for successful classification, which is not possible with RiskSLIM, as it is limited to a small number of features per model. It can also be utilized on multiclass datasets using meta-classifiers. Its major drawback is the lengthy process of building the model, which is exponentially extended on datasets with large number of features. Manual data processing is also time consuming, as it is necessary to analyze and discretize each feature individually.
Sekundarne ključne besede: interpretable models;RiskSLIM;machine learning in medicine;computer and information science;diploma thesis;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000468
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 51 str.
ID: 12632262