Valutazione sperimentale di modelli di Machine Learning interpretabili

Le tecniche di Machine Learning sono ad oggi fondamentali in molti campi, con lo scopo di supportare o addirittura sostituire l’essere umano nelle scelte durante i processi decisionali. In questa tesi vengono presentati alcuni modelli di Machine Learning interpretabili, i quali sono in grado di permettere all’uomo di comprenderne il funzionamento in maniera trasparente. In particolare, questa tesi presenta due modelli: il primo è un modello fondamentale che utilizza Alberi di Decisione (Decision Trees), mentre il secondo si basa sulla composizione di regole, le quali possono essere scoperte dai dati tramite il recente algoritmo di ottimizzazione discreta CORELS. Questa tesi presenta una valutazione sperimentale di tali modelli su dataset provenienti da applicazioni reali, con lo scopo di analizzarne l’efficienza e la relativa accuratezza.