Analysis of Interpretable Decision Sets Algorithm

Tato práce se zaměřuje na analýzu algoritmu Interpretable Decision Sets (IDS). Ten si klade za cíl vytvářet interpretovatelné klasifikátory z asociačních pravidel na základě submodulární maximalizace. Algoritmus však (dle našich experimentů) ve své referenční implementaci funguje velice pomalu a nespolehlivě. Chybí rovněž spolehlivá implementace procedury pro hledání vhodných hyper-parametrů, bez nichž algoritmus není schopen naplňovat svůj potenciál interpretovatelné klasifikace. Tato práce si klade za cíl algoritmus analyzovat a odhalit, popřípadě opravit, jeho nedostatky. V teoretické části práce jsou do hloubky rozebrány vlastnosti algoritmu, včetně matematického pozadí. K výkladu jsou připojeny rozličné poznatky o fungování a vlastnostech algoritmu, které jsme byli schopni za dobu testování IDS shromáždit. V praktické části jsou tyto poznatky využity a je přednesen návrh pro zaměnění algoritmu pro submodulární optimalizaci za algoritmus RUSM (Randomized Unconstrained Submodular Maximization), který je výkonnější a časově méně náročný. Dále je upravena procedura pro hledání vhodných hyper-parametrů, aby dokázala poskytovat uspokojivé výsledky i pro velmi přísná nastavení podmínek interpretability. Kromě toho jsou rozebrány některé další nedostatky a vlastnosti algoritmu. Výstupem práce je implementace IDS v programovacím jazyce Python - pyIDS. Vzhledem k časové náročnosti algoritmu slouží implementace spíše pro výzkumné účely a jako taková nabízí rozličné možnosti nastavení algoritmu a jeho částí. Tato práce rovněž zahrnuje benchmark algoritmů IDS a CBA, který hodnotí klasifikační výkonnost algoritmů a také jejich schopnost poskytovat interpretovatelná řešení.