izpis_h1_title_alt

Iskanje interakcij s pomočjo interpretacije napovednih modelov na primeru navadne trsne rumenice
ID Kokalj, Enja (Avtor), ID Robnik Šikonja, Marko (Mentor) Več o mentorju... Povezava se odpre v novem oknu

URLURL - Predstavitvena datoteka, za dostop obiščite http://pefprints.pef.uni-lj.si/6036/ Povezava se odpre v novem oknu

Izvleček
Magistrsko delo obravnava problem interpretacije netransparentnih modelov strojnega učenja, določanje vpliva atributov na generirane napovedi in iskanje interakcij med atributi v podatkovnih množicah. Tega se lotimo na primeru bolezni vinske trte, ki povzroči izgubo pridelka in gospodarsko škodo. Identifikacija ustreznih genskih pokazateljev bi prispevala k pravočasnemu odkrivanju okužbe in njeni zajezitvi. Prispevek magistrskega dela je v novem algoritmu za iskanje interakcij med atributi v podatkovnih množicah, ki je sestavljen iz metode za razlaganje napovedi modelov strojnega učenja SHAP in algoritma za iskanje povezovalnih pravil Apriori. Novo predlagani algoritem je na umetno generiranih podatkih uspešno prepoznal vplivne atribute in interakcije med njimi. Vplivni atributi (geni), ki smo jih našli na biološki množici podatkov, v veliki meri sovpadajo z rezultati predhodne raziskave, ki nam je služila kot referenčna točka. Odkrili smo tudi močna povezovalna pravila, ki opisujejo potencialne interakcije med atributi (geni), vendar jih zaradi pomanjkanja bioloških informacij o genskih interakcijah pri obrambnem odzivu vinske trte ne moremo ustrezno ovrednotiti. Prednost našega algoritma je, da povezovalna pravila išče na podlagi vpliva posameznih atributov na napovedi, namesto na dejanskih vrednostih izražanja genov, s čimer se izognemo različnim stopnjam dejanskega izražanja genov in vse gene obravnavamo glede na njihov vpliv v modelu strojnega učenja. Omogoča tudi iskanje interakcij višjih redov in dobljeni rezultati (povezovalna pravila) so interpretabilni. Slabost algoritma je iskanje povezovalnih pravil le na diskretiziranih atributih in je zato odvisnost od izbrane metode diskretizacije.

Jezik:Slovenski jezik
Ključne besede:interpretacija modelov strojnega učenja
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:PEF - Pedagoška fakulteta
Leto izida:2019
PID:20.500.12556/RUL-111815 Povezava se odpre v novem oknu
COBISS.SI-ID:12628041 Povezava se odpre v novem oknu
Datum objave v RUL:21.10.2019
Število ogledov:1468
Število prenosov:168
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Identifying attribute interactions by interpreting model predictions: the case of grapevine yellows disease
Izvleček:
The master’s thesis deals with the problem of interpreting black box machine learning models, explaining predictions with attributes’ contributions, and identifying attribute interactions in data sets. We address this in the case of grapevine disease, which causes crop losses and economic damage. Identification of useful gene markers would allow for earlier detection and containment of infection. The contribution of our work is in a new algorithm for identifying attribute interactions that consists of a method for interpreting model predictions called SHAP, and an algorithm for association rule mining called Apriori. The proposed algorithm successfully identified important attributes and their interactions on artificially generated data sets. The important attributes (genes) we found in the biological data set confirm the results of a previous study that served as a reference point. We also discovered strong association rules that describe possible attribute (gene) interactions, but were unable to draw any conclusions due to a lack of biological information about gene interactions in defense response of grapevine. The advantage of the algorithm is that it generates association rules based on attribute importance rather than using actual gene expression values, thus avoiding different levels of actual gene expression and only considering the genes’ contribution in the machine learning model. It can be used to find higher order interactions and the results (association rules) are interpretable. Its disadvantage is that the generation of association rules is done on discretized numerical attributes and is therefore dependent on the discretization method.

Ključne besede:machine learning model interpretation

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj