Naslov diplomskega dela: Strojno učenje na medicinskih podatkih z interpretabilnimi modeli

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.

Mentor: izr. prof. dr. Matjaž Kukar

Komisija za zagovor:​

doc. dr. Aleš Jaklič (predsednik),

izr. prof. dr. Matjaž Kukar (mentor)

doc. dr. Jure Žabkar (član). 

Povezava do video kanala, po katerem se bo prenašal zagovor in ga bo možno spremljati, bo dodana najkasneje na dan zagovora (predvidoma 30 minut pred terminom izvedbe zagovora) na spletni strani: https://ucilnica.fri.uni-lj.si/course/view.php?id=35