Zlepšování vysvětlitelnosti výrazů generovaných genetickým programováním

Abstract

Cieľom tejto práce je zlepšiť vysvetliteľnosť matematických výrazov generovaných genetickým programovaním. V prvej časti tejto práce je zhrnuté, ako funguje genetické programovanie a prečo je dôležité dbať na vysvetliteľnosť jeho výsledkov. Následne sú popísané jednotlivé metódy, ktoré sa používajú na zlepšenie vysvetliteľnosti. Hlavným cieľom práce je navrhnutie a následná implementácia obmedzení, ktoré donútia genetické programovanie generovať výrazy, ktoré sú zrozumiteľnejšie pre človeka a zároveň sú dostatočne kvalitným riešením problému. Na CGP bolo aplikované obmedzenie veľkosti modelu a obmedzenie množiny funkcií uzlov. Tieto obmedzenia sú nakoniec vyskúšané na siedmych úlohách symbolickej regresie.The aim of this thesis is to improve the explainability of mathematical expressions generated by genetic programming. In the first part of this thesis, it is summarized how genetic programming works and why it is important to pay attention to the explainability of its results. Subsequently, the different methods that are commonly used to improve explainability are described. The main goal of the thesis is to propose and then implement constraints that force genetic programming to generate expessions that are both more understandable to humans and sufficiently accurate to solve the problem. A model size constraint and a constraint on the set of feature nodes were applied to the CGP. These constraints are finally tested on seven symbolic regression problems.