Interpretabilità nel Machine Learning tramite modelli di ottimizzazione discreta

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.