Vysvětlitelnost klasifikace grafových reprezentací dat
Explainability of classification of graph represented data
Type of document
diplomová prácemaster thesis
Author
Bibiána Lajčinová
Supervisor
Šmídl Václav
Opponent
Somol Petr
Field of study
Aplikované matematicko-stochastické metodyStudy program
Aplikace přírodních vědInstitutions assigning rank
katedra matematikyDefended
2020-07-28Rights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Táto práca sa zaoberá vysvetlitel'nosťou klasifikácie dát v štruktúre grafov za ciel'om zoznámenia sa s dostupnými metódami v danej oblasti a analyzovania klienských dát reprezentovaných grafmi pochádzajúcich z Banky, so zámerom klasifikácie klientov. Práca obsahuje prehl'ad modelov strojového učenia na klasifikáciu, medzi ktoré patrí logistická regresia a neurónové siete. V práci je zdoraznené, že nie je doležité len to, aby klasifikátory predikovali dobre, je potrebné tiež vedieť, prečo daný model rozhodol tak ako rozhodol. Vysvetlitel'nosť modelov strojového učenia je možné dosiahnuť pomocou redukcie štruktúry modelu — výberu príznakov. V prípade grafových štruktúr dát dosiahnutie vysvetlitel'ného modelu zahrňa aj nájdenie podmnožiny grafu, ktorá je relevantná ku klasifikáciu uzlov grafu. Na konci práce je popísaný navrhnutý algoritmus na nájdenie vysvetlitel'ného modelu a sú diskutované výsledky analýzy reálnych dát. This thesis deals with explainability of classification of graph structured data with the aim to become acquaint with available methods and analyse bank client data in graph structure. The work contains overview of machine learning methods such as logistic regression and neural networks. We emphasize, that for classifiers it is important to predict well, but what is also necessary is to have an explanation, why the model decided in a certain way. Explainability of the models can be achieved by reducing the structure of a model, which means feature selection. In the case of graph structured data, another aspect is to find a subset of graph that is relevant for predicting the right class of a vertex. There is a suggested method for finding an explainable model at the end of the thesis together with the analysis of real data.
Collections
- Diplomové práce - 14101 [153]