Razlaga napovedi strojnega učenja z biološkim predznanjemDROFENIK, KLARA (Avtor) Robnik Šikonja, Marko (Mentor) Škrlj, Blaž (Komentor) metoda razlage SHAPrazlaga napovednih modelovbiološko predznanjenapovedni model XGBoostZa naključne gozdove, nevronske mreže in ostale kompleksnejše modele strojnega učenja je težko povedati, zakaj so podali dano napoved. Težavo rešujejo algoritmi, ki poskušajo razložiti vpliv atributov na napoved ciljne spremenljivke. Eden takšnih je algoritem SHAP, ki glede na vrednost atributa poda oceno, kako ta vpliva na napoved modela. Naš cilj je preveriti, kako se razlage SHAP ujemajo s predznanjem. Na več podatkovnih množicah proteinov smo zgradili napovedne modele z metodo XGBoost in ga razložili z algoritmom SHAP. Preverili smo, ali med proteini, ki so pomembni za napovedi modela, obstajajo raziskane interakcije, s pomočjo katerih bi lahko preverili uspešnost algoritma SHAP za iskanje interakcij. Rezultati so se razlikovali glede števila najdenih interakcij za različne učne množice in baze znanja. Naša raziskava nakazuje potencialno uporabnost algoritma SHAP za iskanje interakcij.20212021-03-23 08:50:00Diplomsko delo/naloga125528sl