Interpretabilidade de modelos de aprendizagem de máquina para classificação automática de células cervicais.

Abstract

A utilização de modelos de aprendizado de máquina e profundo para automatização de processos de tomada de decisões obtém sucesso em diferentes contextos. Devido a difusão desses algoritmos, se torna importante que eles sejam interpretáveis para que se mostrem confiáveis ao serem adotados por humanos. Embora o aprendizado alcance resultados de ponta em aplicações do mundo real, seu número excessivo de parâmetros não é bem compreendido pelos humanos. Nesta monografia apresentamos uma investigação da interpretabilidade de métodos de aprendizado de maquina utilizando o método Local interpretable model agnostic explanations (LIME) para prover explicações. Os modelos sobre os quais as estratégias de interpretabilidade serão aplicados são de florestas aleatórias, usados no contexto de classificação de imagens de células cervicais. Os resultados para modelos de árvore de decisão foram explicações individuais das instâncias mais representativas da base dados, seguido de uma análise de ocorrências das características em meio as explicações geradas, além do calculo da permutation importances para fins de comparação.