Interpretabilidade de modelos de aprendizado de máquina para a classificação de lesões celulares

Devido à difusão do uso de algoritmos de aprendizado de máquina na automatização de processos de tomada de decisões, torna-se importante que eles sejam interpretáveis para que se mostrem confiáveis. No entanto, embora o aprendizado alcance resultados de ponta em aplicações do mundo real, o eu número excessivo de parâmetros não é bem compreendido pelos humanos. Neste trabalho, empregou-se o método Local Interpretable Model Agnostic Explanations (LIME) para a interpretabilidade de modelos de floresta aleatória construídas no contexto de classificações de imagens de células cervicais. Os resultados obtidos foram explicações individuais das instâncias mais representativas da base de dados, seguido de uma análise de ocorrências das características em meio às explicações geradas.