Gridelli, Eleonora
(2021)
Interpretabilità nel Machine Learning tramite modelli di ottimizzazione discreta.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Matematica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
Fin dalle sue origini, il machine learning è stato influenzato dall'ottimizzazione matematica, infatti molti
metodi sono spesso implementati come problemi di minimizzazione di funzioni obiettivo. Ciononostante, la ricerca di soluzioni ottime in problemi di dimensione reale
è un problema difficile, per cui negli algoritmi di machine learning accade che il problema venga
semplificato e la soluzione trovata sia sub-ottima. Questo modo di agire, anche se in teoria meno accurato, porta a
soluzioni meno costose dal punto di vista computazionale ma comunque competitive.
Con l'avanzamento tecnologico, i solver per l'ottimizzazione lineare misto-intera (MIO) sono diventati sempre più efficienti e questo ha permesso lo sviluppo di una nuova libreria, chiamata Interpretable AI. Essa raccoglie
diversi algoritmi per la costruzione di alberi binari ottimi, ottenuti risolvendo il problema di MIO sottostante, ponendosi come alternativa agli alberi tradizionali generati con un approccio greedy.
Questo elaborato vuole quindi andare ad analizzare e valutare l'algoritmo della libreria Interpretable AI per la costruzione di alberi binari ottimi di regressione.
Gli autori affermano, infatti, che sia in grado di eguagliare in performance i metodi black-box garantendo
allo stesso tempo, in quanto albero, un livello alto di interpretabilità.
Abstract
Fin dalle sue origini, il machine learning è stato influenzato dall'ottimizzazione matematica, infatti molti
metodi sono spesso implementati come problemi di minimizzazione di funzioni obiettivo. Ciononostante, la ricerca di soluzioni ottime in problemi di dimensione reale
è un problema difficile, per cui negli algoritmi di machine learning accade che il problema venga
semplificato e la soluzione trovata sia sub-ottima. Questo modo di agire, anche se in teoria meno accurato, porta a
soluzioni meno costose dal punto di vista computazionale ma comunque competitive.
Con l'avanzamento tecnologico, i solver per l'ottimizzazione lineare misto-intera (MIO) sono diventati sempre più efficienti e questo ha permesso lo sviluppo di una nuova libreria, chiamata Interpretable AI. Essa raccoglie
diversi algoritmi per la costruzione di alberi binari ottimi, ottenuti risolvendo il problema di MIO sottostante, ponendosi come alternativa agli alberi tradizionali generati con un approccio greedy.
Questo elaborato vuole quindi andare ad analizzare e valutare l'algoritmo della libreria Interpretable AI per la costruzione di alberi binari ottimi di regressione.
Gli autori affermano, infatti, che sia in grado di eguagliare in performance i metodi black-box garantendo
allo stesso tempo, in quanto albero, un livello alto di interpretabilità.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Gridelli, Eleonora
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum C: Didattico
Ordinamento Cds
DM270
Parole chiave
ottimizzazione discreta alberi ottimi multivariati interpretabilità interpretable AI misura optimal regression tree regressione
Data di discussione della Tesi
26 Marzo 2021
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Gridelli, Eleonora
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum C: Didattico
Ordinamento Cds
DM270
Parole chiave
ottimizzazione discreta alberi ottimi multivariati interpretabilità interpretable AI misura optimal regression tree regressione
Data di discussione della Tesi
26 Marzo 2021
URI
Statistica sui download
Gestione del documento: