Interpretabilidade de modelos de aprendizado de máquina: uma abordagem baseada em árvores de decisão
Gardado en:
| Autor Principal: | |
|---|---|
| Data de Publicación: | 2023 |
| Formato: | Master thesis |
| Idioma: | por |
| Fonte: | Repositório Institucional da UFG |
| Download full: | http://repositorio.bc.ufg.br/tede/handle/tede/13113 |
Summary: | Interpretability is defined as the ability of a human to understand why an AI model makes certain decisions. Interpretability can be achieved through the use of interpretable models, such as linear regression and decision trees, and through model-agnostic interpretation methods, which treat any predictive model as a "black box". Another concept related to interpretability is that of Counterfactual Explanations, which show the minimal changes in inputs that would lead to different results, providing a deeper understanding of the model’s decisions. The approach proposed in this work exploits the explanatory power of Decision Trees to create a method that offers more concise explanations and counterfactual explanations. The results of the study indicate that Decision Trees not only explain the “why” of model decisions, but also show how different attribute values could result in alternative outputs. |
Títulos similares: Interpretabilidade de modelos de aprendizado de máquina: uma abordagem baseada em árvores de decisão
- Reconhecimento automático de aves de nomes onomatopéicos utilizando árvore de decisão
- Predição do não-comparecimento de pacientes em uma clínica de diagnóstico por imagem usando aprendizado de máquina
- Operações entrelaçadas no grupo de automorfismos da árvore binária
- Utilização de árvores de decisão para aprimorar a classificação de fragmentos
- Sobre a possibilidade da explicação pessoal diante de explicações científicas e intencionais
- Contrafactuais para estudos de avaliação de impacto em ecologia e biologia da conservação