1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Computación

Título :	Desarrollo de una librería para la explicación de resultados de SVM en contexto
Autor :	Tapia Rosero, Ana Teresa , Director Pisco Jordán, Juan Carlos Ramos Pozo, Luis
Palabras clave :	IA explicable Software Código abierto Aprendizaje de máquina
Fecha de publicación :	2024
Editorial :	ESPOL.FIEC
Citación :	Pisco Jordán, J. C. y Ramos Pozo, L. (2024). Desarrollo de una librería para la explicación de resultados de SVM en contexto. [Proyecto Integrador]. ESPOL.FIEC .
Descripción :	Las SVM son modelos de inteligencia artificial usados para resolver problemas de clasificación de datos. Estos modelos pueden ser complejos de interpretar, lo que afecta su usabilidad en ámbitos donde se requiere conocer el porqué de la clasificación. El modelo SVM contextualizado provee explicaciones por contexto, pero no existe una implementación de código que facilite su integración en proyectos e investigaciones. Por esto se decidió desarrollar una librería de código abierto que implemente las funcionalidades de SVMs contextualizados para facilitar el acceso a explicaciones de las clasificaciones realizadas por estos modelos. La librería se desarrolló en Python, se utilizó Joblib para paralelizar las etapas de entrenamiento y evaluación del modelo. El uso de esta librería permitió reducciones en los tiempos de entrenamiento de más de una hora, y reducciones de hasta el 80% en el tiempo de clasificación. También mejoró la precisión y exactitud hasta el 10% en múltiples conjuntos de datos en comparación al SVM no contextualizado. La librería desarrollada resulta ser una herramienta muy útil para generar transparencia en clasificaciones de modelos SVM a la vez que mejora su exactitud y facilita el uso de un mayor volumen de datos en el entrenamiento y evaluación del modelo. Palabras Clave: IA explicable, software, código abierto, aprendizaje de máquina
metadata.dc.description.abstractenglish:	SVMs are artificial intelligence models widely used to solve classification problems. These models can be complex to interpret, which affects their usability in domains where it is necessary to know the reasoning behind their classifications. The contextualized SVM model provides explanations by context, but there is no code implementation that facilitates its integration in projects and research. For this reason, the objective of this project was to develop an open-source library that implements the functionalities of contextualized SVMs to provide tools for explanations of the classifications made by these models. The library was developed in Python, and Joblib was used to parallelize the training and evaluation stages of the model. The use of this library allowed reductions in training times of more than one hour, and reductions of up to 80% in classification time. It also improved precision and accuracy by up to 10% on multiple datasets compared to the non-contextualized SVM. The developed library proves to be a very useful tool to generate transparency in SVM model classifications while improving its accuracy and facilitating the use of a larger volume of data in model training and evaluation. Keywords: explainable AI, software, open-source, machine learning
URI :	http://www.dspace.espol.edu.ec/handle/123456789/62306
metadata.dc.identifier.codigoproyectointegrador:	TECH-380
Aparece en las colecciones:	Tesis de Computación

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.