Hierarhično razvrščanje v skupine s pomočjo argumentiranega strojnega učenjaZAKOTNIK, JURE (Avtor) Guid, Matej (Mentor) strojno učenjenenadzorovano učenjedelno nenadzorovano strojno učenjehierarhično razvrščanjeargumentirano strojno učenjeodkrivanje skupin z omejitvamiPodročje odkrivanja skupin (angl.clustering) v podatkih je dandanes dobro raziskano, vendar se še vedno iščejo novi pristopi za izboljšanje kakovosti odkrivanja skupin. Eden izmed takih pristopov je možnost interakcije domenskih strokovnjakov z odkrivanjem skupin tako, da eksperti podajajo domensko znanje v obliki pozitivnih (angl. must-link) in negativnih (angl. cannot-link) omejitev na pare učnih primerov, ki se strokovnjaku zdijo primerni. Tak način podajanja omejitev omogoča izboljšanje odkritih skupin in njihovo večjo skladnost z ekspertnim znanjem. V praksi je podajanje pozitivnih in negativnih omejitev na posamezne pare učnih primerov tipično dolgotrajen in zahteven proces tudi za domenske strokovnjake. V diplomski nalogi se soočimo s problemom zajemanja relevantnega domenskega znanja iz strokovnjaka in v ta namen razvijemo metodo hierarhične-ga razvrščanja v skupine s pomočjo argumentiranega strojnega učenja (angl. Argument-based hierarchical clustering, ABHC). Imenovana metoda temelji na hierarhičnem razvrščanju v skupine in paradigmi argumentiranega strojnega učenja, ki se ukvarja z zajemanjem strokovnjakovega znanja. Metoda avtomatsko izbere učne primere, ki jih smatra kot problematične, in jih predstavi domenskemu strokovnjaku. Ekspertu v dani domeni torej prikaže primere, za katere meni, da ne sodijo v skupino, v katero so bili razvrščeni. Ekspert na problematične primere vnaša domensko znanje v obliki argumentov, metoda pa s pomočjo protiprimerov izpostavlja morebitne pomanjkljivosti ali nekonsistentnosti strokovnjakovih argumentov. Strokovnjak lahko tako dopolni pomanjkljivosti podanih argumentov in s tem dobi bolj kakovostno postavljene omejitve. Le-te pa so ključ za izboljšanje rezultata razvrščanja primerov v skupine. Hkrati so pridobljene omejitve in posledično tudi odkrite skupine skladne s strokovnjakovim znanjem. Razvili smo aplikacijo, ki omogoča interakcijo strokovnjaka s hierarhičnim razvrščanjem v skupine s pomočjo prej omenjene metode. Učinkovitost algoritma smo empirično ovrednotili na treh eksperimentalnih domenah s pomočjo domenskega eksperta in rezultate razvrščanja primerjali s klasičnim algoritmom hierarhičnega razvrščanja v skupine z omejitvami ter dobili spodbudne rezultate. Novo metodo hierarhičnega razvrščanja v skupine smo primerjali tudi s sorodnim algoritmom AB k-means, ki prav tako temelji na odkrivanju skupin s pomočjo argumentiranega strojnega učenja, a se pri tem opira na metodo voditeljev. V izbranih eksperimentalnih domenah smo pokazali, da ABHC občutno izboljša rezultate odkrivanja skupin.20212021-02-15 08:29:35Diplomsko delo/naloga124755sl