Método basado en detección de prototipos para interpretabilidad de modelos predictivos
Para que los modelos predictivos o Máquinas de Aprendizaje sean adoptados por los usuarios, en la industria se han abordado dos estrategias principales: mejorar la precisión de las predicciones del modelo u obtener una explicación o contexto en torno a éstas. Recientemente este último enfoque, conoc...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2021 |
| País: | México |
| Institución: | Instituto Tecnológico y de Estudios Superiores de Occidente |
| Repositorio: | Repositorio Institucional del ITESO |
| Idioma: | español |
| OAI Identifier: | oai:rei.iteso.mx:11117/6581 |
| Acceso en línea: | https://hdl.handle.net/11117/6581 |
| Access Level: | acceso abierto |
| Palabra clave: | Interpretabilidad Prototipos Aprendizaje Automático Redes Neuronales Profundas |
| Sumario: | Para que los modelos predictivos o Máquinas de Aprendizaje sean adoptados por los usuarios, en la industria se han abordado dos estrategias principales: mejorar la precisión de las predicciones del modelo u obtener una explicación o contexto en torno a éstas. Recientemente este último enfoque, conocido como interpretabilidad de máquina de aprendizaje, ha obtenido mucha relevancia para mejorar la adopción de modelos predictivos en la toma de decisiones. En este trabajo se propuso un método que adopta el enfoque de Deep Learning for Case-Based Reasoning through Prototypes para mejorar la interpretación de los resultados predictivos con el uso de prototipos. Se sugirió una solución particular al problema de la interpretabilidad en modelos de redes neuronales cuando los conjuntos de datos no están balanceados. El método se validó con dos casos de estudio y arrojó a resultados satisfactorios. Se presentaron las conclusiones del trabajo en cuanto al desempeño predictivo y la interpretabilidad de este. Finalmente, se plantean trabajos futuros. |
|---|