Iskanje interakcij s pomočjo interpretacije napovednih modelov na primeru navadne trsne rumeniceKokalj, Enja (Avtor) Robnik Šikonja, Marko (Mentor) interpretacija modelov strojnega učenjaMagistrsko 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.20192019-10-15 03:15:23Magistrsko delo/naloga111815COBISS_ID: 12628041sl