Argumentirano strojno učenje z uporabo logistične regresije

Možina, David (avtor), Guid, Matej (mentor)

Ljudje dandanes pri soočanju z novimi podatki vedno bolj stremimo k uporabi enostavnih orodij in postopkov za njihovo obdelavo in analizo. Želimo si na preprost način izluščiti uporabne informacije, odkriti zakonitosti v podatkih ali izdelati napovedni model. V magistrskem delu smo zasnovali orodje, ki na enostaven način omogoča spoznavanje novih podatkov ter enostavno vpeljavo ekspertnega znanja v domeno v obliki novih značilk oz. atributov. Orodje temelji na paradigmi argumentiranega strojnega učenja (angl. argument-based machine learning, ABML)in metodi strojnega učenja, ki jo poznamo pod imenom logistična regresija. Modelu logistične regresije smo dodali možnost zajema ekspertnega znanja in razvili novo metodo, ki omogoča interakcijo med domenskim strokovnjakom (ekspertom) in logistično regresijo. Poimenovali smo jo argumentirano strojno učenje z uporabo logistične regresije (angl. argument-based machine learning with logistic regression). Implementirali smo aplikacijo z grafičnim vmesnikom, ki uporablja omenjeno novo metodo za zajem ekspertnega znanja. Metoda s pomočjo interaktivne zanke v gradnjo napovednega modela vključi dodatno znanje v obliki novih značilk oz. atributov. Poišče problematične primere, ki jih logistična regresija uvrsti v napačen razred. Ti primeri so predstavljeni domenskemu strokovnjaku oz. ekspertu. Ekspertova naloga je, da s podajanjem čim boljših argumentov v interakciji s programom razloži kritične primere in poda razloge, čemu določeni problematični primer sodi v nasprotni razred. Glede na podane argumente strokovnjaka metoda samodejno poišče relevantne protiprimere, ki ekspertu olajšajo argumentiranje in včasih opozorijo na možne pomanjkljivosti v podanih argumentih. Protiprimeri se menjavajo sproti glede na navedene pogoje eksperta. Strokovnjak z vnašanjem domenskega znanja usmerja algoritem strojnega učenja do boljših napovednih točnosti in do modela, ki je skladen z ekspertnim znanjem. Aplikacija poleg uporabe omenjene metode med samim postopkom argumentiranja omogoča tudi tvorjenje novih atributov. V primeru, da ti uspešno rešijo trenutni kritični primer, se ta zamenja, kar omogoča hitrejšo interakcijo med domenskim ekspertom in metodo strojnega učenja.

• Jezik: Slovenski jezik
• Ključne besede: umetna inteligenca, strojno učenje, znanost o podatkih, logistična regresija, argumentirano strojno učenje, logistična regresija z argumenti, interaktivna zanka za zajemanje znanja
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2017
• PID: 20.500.12556/RUL-91347
• Datum objave v RUL: 28.03.2017

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Argument-based machine learning with logistic regression

Izvleček

People nowadays tend to use simple tools and procedures to process and analyze new data. We are eager to find easy solutions to extract useful information from it and build predictive models. In this thesis we designed a tool, which can easily be used to cope with a new data and which also enables a possibility to articulate expert's domain knowledge in the form of new features, i.e. attributes. The tool is based on a paradigm of argument-based machine learning (ABML) and machine learning method, called logistic regression. We modified the logistic regression method by adding the possibility to articulate the expert's domain knowledge and developed a new method, that allows interaction between domain expert and logistic regression called argument-based machine learning with logistic regression. We created an application with a graphical user interface that uses newly created method and, by using interactive loop, captures domain expert's knowledge. The knowledge is passed into the predictive model in the form of new attributes. Method searches for problematic examples which are examples that are wrongly predicted by a logistic regression model. These examples are presented to the domain expert. Expert's task is now to explain critical examples by giving arguments and providing explanations for wrongly predicted example. According to the given expert's arguments, method finds relevant couterexamples which can highlight possible flaws and shortcomings in the expert's arguments. Counterexamples change regulary, based on the conditions mentioned by the expert. The interaction between the expert and argument-based machine learning method can lead to better and more accurate models that are consistent with expert's domain knowledge. The newly created application also enables creating new attributes, which can be made during the argumentation process. If the newly created attribute solves current critical example, it gets replaced by a new problematic example. This leads to a faster interaction between a domain expert and the machine learning algorithm.

• Ključne besede: artificial intelligence, machine learning, data science, logistic regression, argument-based machine learning, argument-based logistic regression, knowledge refinement loop