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.
Valutazione sperimentale di modelli di Machine Learning interpretabili
CORRÒ, SIMONE
2022/2023
Abstract
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.File | Dimensione | Formato | |
---|---|---|---|
Corrò_Simone.pdf
embargo fino al 24/09/2024
Dimensione
9.25 MB
Formato
Adobe PDF
|
9.25 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/52369