Desarrollo de una librería para la explicación de resultados de SVM en contexto

Pisco Jordán, Juan Carlos; Ramos Pozo, Luis

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Computación
→
Ver ítem

dc.contributor.advisor	Tapia Rosero, Ana Teresa , Director
dc.contributor.author	Pisco Jordán, Juan Carlos
dc.contributor.author	Ramos Pozo, Luis
dc.creator	ESPOL.FIEC
dc.date.accessioned	2024-10-19T16:25:37Z
dc.date.available	2024-10-19T16:25:37Z
dc.date.issued	2024
dc.identifier.citation	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 .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/62306
dc.description	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
dc.format	application/pdf
dc.format.extent	54 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	IA explicable
dc.subject	Software
dc.subject	Código abierto
dc.subject	Aprendizaje de máquina
dc.title	Desarrollo de una librería para la explicación de resultados de SVM en contexto
dc.type	Ingeniero en Ciencias de la Computación
dc.identifier.codigoespol	T-76959
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	TECH-380
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