Přehled

Školitel: doc. Ing. Tomáš Kliegr, Ph.D.

Anotace: V poslední době vzniklo několik nových klasifikačních algoritmů, které umožňují vyvážit predikční sílu s interpretovatelností. Mezi tyto přístupy se řadí zejména algoritmy Scalable Bayesian Rule Lists (Yang et al, 2016), Bayesian Rule Sets (Wang et al, 2017) a Interpretable Decision Sets (Lakkaraju et al, 2016). Jejich spojujícím prvkem je, že vytvářené modely jsou složeny ze snadno srozumitelných IF-THEN pravidel. Cílem dizertační práce je analýza vybraných nově navržených „pravidlových“ klasifikátorů. Dalším cílem je jejich srovnání s modelově agnostickými vysvětlujícími algoritmy, jako je LIME (Ribeiro, et al 2016), kombinovanými s neuronovými sítěmi nebo jinými „black-box“ modely, jako je např. algoritmus random forest. Součástí výzkumu mohou být též uživatelské experimenty prováděné pomocí crowdsourcingových platforem.