Análisis de la robustez de los clasificadores dependiendo de la importancia de los atributos

Abstract

[ES] La profusión de aplicaciones basadas en el aprendizaje automático, en especial aquellas críticas para la seguridad como son los sistemas de conducción autónoma y los tratamientos médicos, ha despertado una preocupación natural entre los usuarios sobre su confiabilidad. En este entorno se hace necesario poder razonar sobre el comportamiento de los sistemas relacionado con la corrección, robustez, privacidad, eficiencia y equidad. En este TFM se propone analizar la robustez de los clasificadores en función de la importancia de los atributos. La idea es inyectar un porcentaje de ruido en los atributos más importantes y evaluar cómo esta perturbación afecta a las predicciones del clasificador. Para ello, se realiza un estudio experimental usando una colección de conjunto de datos y diversos clasificadores entrenados mediante las técnicas de aprendizaje más ampliamente conocidas.

[EN] The profusion of applications based on machine learning, especially those critical for security, such as autonomous driving systems and medical treatments, has awakened a natural concern among users about its reliability. In this environment, it is necessary to be able to argue about the behaviour of the systems about correctness, robustness, privacy, efficiency and equity. In this master's dissertation, it is proposed to analyze the robustness of the classifiers depending on the attribute's importance. The idea is to inject a percentage of noise in the most important attributes and evaluate how this perturbation affects the classifier's predictions. For this, it is made an experimental study using a collection of datasets and different classifiers trained with the most known learning techniques.