Evolutionary algorithms for learning ensembles of interpretable classifiers

• Ano de defesa: 2022
• Autor(a) principal: Cagnini, Henry Emanuel Leal
• Orientador(a): Barros, Rodrigo Coelho
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Pontif?cia Universidade Cat?lica do Rio Grande do Sul
• Programa de Pós-Graduação: Programa de P?s-Gradua??o em Ci?ncia da Computa??o
• Departamento: Escola Polit?cnica
• País: Brasil
• Palavras-chave em Português: Algoritmos Evolutivos; Aprendizado de M?quina; Interpretabilidade; Classifica??o; Aprendizado Supervisionado; Regress?o
• Palavras-chave em Inglês: Evolutionary Algorithms; Ensemble Learning; Machine Learning; Interpretability; Classification; Supervised Learning; Regression
• Área do conhecimento CNPq: CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
• Link de acesso: https://tede2.pucrs.br/tede2/handle/tede/10197

Classifica??o ? a tarefa de Aprendizado de M?quina que visa categorizar inst?ncias em classes. Existem diversos algoritmos na literatura que realizam classifica??o, com diferentes graus de sucesso. Nos ?ltimos anos, o desempenho preditivo foi o objetivo priorizado entre praticantes de Aprendizado de M?quina e a comunidade acad?mica. Todavia, mais recentemente, interpretabilidade tem ganhado cada vez mais aten??o. Uma ?rea de aprendizado de m?quina que pode se beneficiar de um ganho em interpretabilidade ? a de ensemble learning. Ensemble learning visa reunir modelos que, quando agrupados em comit?s, podem fornecer alto grau de desempenho preditivo, mesmo que os classificadores que fa?am parte do grupo n?o sejam (em m?dia) muito melhores que preditores aleat?rios. Doravante, os benef?cios s?o duplos: ensembles podem melhorar o desempenho preditivo de modelos interpret?veis caixa branca (que s?o, em m?dia, piores que modelos caixa preta); e o uso de modelos caixa-branca aumenta a interpretabilidade de ensembles. Nesta tese, atrav?s do projeto de algoritmos evolutivos, uma poderosa classe de algoritmos de soft computing, desenvolvemos dois m?todos para aprendizado de ensembles interpret?veis: EDNEL e PUMA. Enquanto os dois m?todos s?o semelhantes, a diferen?a entre eles ainda assim ? significativa: PUMA aprende ensembles de classificadores sem levar a intera??o entre vari?veis em considera??o, enquanto EDNEL calcula a correla??o das vari?veis. Todavia, nos experimentos que conduzimos para avaliar o desempenho dos m?todos, detectamos que a abordagem mais simples de PUMA gerou ensembles com melhor desempenho preditivo em m?dia do que EDNEL, enquanto aquele ? estatisticamente equivalente ? dois bem-estabelecidos m?todos de aprendizado de ensembles, Adaboost e Random Forests.