Náhradní modely v evolučním návrhu klasifikátorů

Abstract

Cílem této práce je zkoumat metody, které umožňují lepší pochopení výsledků modelů strojového učení, a tím usnadnit jejich využití v oblastech mimo informatiku. Zaměřuje se na klasifikační modely, evoluční algoritmy a náhradní modelování. Náhradní modely jsou zkoumány z hlediska jejich schopnosti zlepšit transparentnost, urychlit konvergenci a snížit výpočetní náročnost. Navržená metodika efektivně navrhuje interpretovatelné klasifikátory s omezeným počtem vstupních příznaků a využitím náhradních modelů. Experimenty nad EEG daty získanými od osob s poruchou užívání alkoholu a depresivní poruchou hodnotí různé kombinace klasifikátorů a náhradních modelů. Výsledky ukazují, že náhradní modely mohou zkrátit dobu výpočtu více než 30 krát, přičemž u složitějších úloh si modely zachovávají klasifikační přesnost více než 88 %. Největší přínos mají v úlohách s vysokou výpočetní náročností, zatímco u jednodušších problémů je jejich efektivita omezená. Interpretovatelné náhradní modely, jako jsou rozhodovací stromy a kartézské genetické programování, navíc umožňují analýzu významu vstupních příznaků a chování modelu.This thesis explores methods for making machine-learning models more understandable, enabling their use beyond computer science. It focuses on classification models, evolutionary algorithms, and surrogate modeling. Surrogate models are studied for their ability to improve transparency, speed up convergence, and reduce resource demands. The proposed method efficiently designs interpretable classifiers using surrogate models and a limited set of input features. Experiments on EEG datasets for alcohol use disorder and major depressive disorder evaluate various classifiers and surrogate combinations. Results show that surrogate models can reduce runtime by more than 30 times while maintaining accuracy above 88 % on more complex tasks. Their benefit is most evident when evaluation costs are high. Interpretable surrogates such as decision trees and Cartesian Genetic Programming help reveal feature relevance and model behavior.