Ing. Markéta Jůzlová

Závěrečné práce

Bakalářské práce

Meta-učení pro automatický výběr modelu strojového učení a optimalizaci jeho hyperparametrů

Autor
Ivan Rychtera
Rok
2020
Typ
Bakalářská práce
Vedoucí
Ing. Markéta Jůzlová
Oponenti
Ing. Karel Klouda, Ph.D.
Anotace
Optimalizace hyperparametrů je důležitý krok pro vytváření přesných modelů strojového učení. Optimalizace hyperparametrů pro danou úlohu může být rozšířena informacemi z předchozích úloh – s meta-učením. Tato práce zkoumá kombinaci meta-učení s algorithmy pro optimalizaci hyperparametrů a výběr modelu. Posuzujeme přesnost predikce pro 3 algoritmy při zahrnutí meta-učení. Výsledky nedokazují žádné výrazné zlepšení optimalizačních algoritmů při zahrnutí meta-učení. Následná analýza naznačuje, že toto je výsledkem schopnosti metod pro optimalizaci hyperparametrů a výběr modelu najít v daném čase dobře fungující konfigurace bez pomoci.

Metody pro vysvětlování lokálních predikcí black-box klasifikátorů

Autor
Adam Skluzáček
Rok
2020
Typ
Bakalářská práce
Vedoucí
Ing. Markéta Jůzlová
Oponenti
Ing. Kamil Dedecius, Ph.D.
Anotace
Cílem lokálních univerzálních vysvětlovacích metod je vysvětlit jednotlivé predikce libovolného modelu strojového učení pouze za pomoci vstupů a odpovídajících výstupů daného modelu. Vysvětlování predikcí složitého modelu strojového učení pomáhá odborníkům vylepšovat daný model a zvyšuje uživatelskou důvěru v predikce modelu. Tato práce zkoumá tři z nejmodernějších lokálních univerzálních vysvětlovacích metod -- LIME, Anchors a SHAP. Zkoumané metody jsou detailně popsány a experimentálně vyhodnoceny s ohledem na věrnost jejich vysvětlení vzhledem k vysvětlovanému modelu. Vyhodnocení je provedeno na různých klasifikátorech natrénovaných na uměle vygenerovaných datech i na reálných datech. Umělá data jsou vygenerována na základě známých závislostí, což umožňuje spočítat optimální vysvětlení a porovnat ho s vysvětleními vygenerovanými vysvětlovacími metodami. Výsledky experimentů ukazují, že SHAP je nejrobustnější vůči vlastnostem modelované funkce z uvažovaných vysvětlovacích metod. LIME i Anchors v určitých situacích neprodukují přesná vysvětlení, nicméně v experimentu s reálnými daty obě metody vyprodukovaly přesná vysvětlení.