Vysvětlitelnost v klasifikaci časových řad

Abstract

Klasifikace časových řad má rozsáhlé využití v různých oblastech, od zdravotnictví po zajišťování kvality potravin. Navzdory širokému použití však není snadné interpretovat predikční modely. Tato diplomová práce se zaměřuje na návrh nového klasifikačního modelu s jednodušší vysvětlitelností. Model je založen na ARIMA modelech, které jsou často používány pro předpovídání časových řad. Dataset problému je transformován z surových časových řad na hodnoty koeficientů ARIMA modelu a následně klasifikován pomocí haldy rozhodovacích stromů. Vysvětlitelnost je zajištěna pomocí existujících modelů pro klasifikaci tabulkových dat. Kromě navržených ARIMA modelů práce obsahuje také metodu pro vysvětlení chování modelu nad surovými daty časových řad, která vychází z metody LIME.

Time series classification is used in a wide variety of real-world problems, from health analysis to food quality assurance. Despite its usage, the extent of understanding the reasons for the classification determined by the model is insufficient. This thesis proposes a novel type of explainable classifier based on ARIMA models, which are heavily used for time series forecasting. The time series dataset is converted to ARIMA coefficients and classified using random forests classifier. The explainability is provided by established explanation methods for tabular data. Besides the ARIMA models, the thesis additionally provides a method for explaining raw time series data, built upon the LIME method.