[en] DECISION TREES WITH EXPLAINABLE RULES

• Autor(a) principal: VICTOR FEITOSA DE CARVALHO SOUZA
• Data de Publicação: 2023
• Tipo de documento: Outros
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63537@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=63537@2; http://doi.org/10.17771/PUCRio.acad.63537
• topic: [pt] APRENDIZADO DE MAQUINA; [pt] MODELO EXPLICAVEL; [pt] ALGORITMOS DE APROXIMACAO; [pt] ARVORE DE DECISAO; [pt] CLASSIFICACAO; [en] MACHINE LEARNING; [en] EXPLAINABLE MODEL; [en] APPROXIMATION ALGORITHMS; [en] DECISION TREE; [en] CLASSIFICATION

[pt] As árvores de decisão são estruturas comumente utilizadas em cenários nos quais modelos explicáveis de Aprendizado de Máquina são desejados, por serem visualmente intuitivas. Na literatura existente, a busca por explicabilidade em árvores envolve a minimização de métricas como altura e número de nós. Nesse contexto, definimos uma métrica de explicabilidade, chamada de explanation size, que reflete o número de atributos necessários para explicar a classificação dos exemplos. Apresentamos também um algoritmo, intitulado SER-DT, que obtém uma aproximação O(log n) (ótima se P diferente NP) para a minimização da altura no pior caso ou caso médio, assim como do explanation size no pior caso ou caso médio. Em uma série de experimentos, comparamos a implementação de SER-DT com algoritmos conhecidos da área, como CART e EC2, além de testarmos o impacto de parâmetros e estratégias de poda nesses algoritmos. SER-DT mostrou-se competitivo em acurácia com os algoritmos citados, mas gerou árvores muito mais explicáveis.