Els algorismes de Machine Learning, en especial les xarxes neuronals, han experimentat un increment notable en les seves capacitats d’aprenentatge en els últims anys. No obstant això, la llegibilitat i la comprensió del seus mètodes de raonament són molt complicades. A més a més, acostumen a ser tancats i no permeten la col·laboració d’una persona en la creació dels seus models predictius. Per això, fan falta noves eines que permetin una interacció i comprensió còmoda entre la màquina i la persona. En aquest treball es pretén desenvolupar una eina basada en arbres de decisió que permeti la creació dirigida de models predictius, ja que són fàcilment interpretables. Això vol dir que l’usuari expert encarregat de crear el model predictiu ha de poder interactuar amb ell i tenir la possibilitat de guiar-lo gràcies al seu coneixement expert. Una de les finalitats d’aquesta eina serà crear models predictius a partir de dades mèdiques. Primerament, es contextualitzarà el problema que es vol solucionar i es marcaran els objectius del treball. A continuació, es farà un resum dels conceptes bàsics de Machine Learning que s’empraran en aquest projecte i una descripció de l’estat de l’art. Després, es mostrarà com s’ha implementat l’eina que es planteja, basant-se en algunes de les idees i tècniques que incorporen algorismes com el CART [6] o el C4.5 [7], i, finalment, s’aplicarà a un parell de datasets.

Los algoritmos de Machine Learning, en especial las redes neuronales, han experimentado un incremento notable en sus capacidades de aprendizaje en los últimos años. Sin embargo, la legibilidad y la comprensión de sus métodos de razonamiento son muy complicadas. Además, suelen ser cerrados y no permiten la colaboración de una persona en la creación de sus modelo predictivos. Por ello, hacen falta nuevas herramientas que permitan una interacción y comprensión cómoda entre la máquina y la persona. En este trabajo se pretende desarrollar una herramienta basada en árboles de decisión que permita la creación dirigida de modelos predictivos, ya que son fácilmente interpretables. Esto significa que el usuario experto encargado de crear el modelo predictivo debe poder interactuar con él y tener la posibilidad de guiarlo gracias a su conocimiento experto. Una de las finalidades de esta herramienta será crear modelos predictivos a partir de datos médicos. Primeramente, se contextualizará el problema que se quiere solucionar y se marcarán los objetivos del trabajo. A continuación, se hará un resumen de los conceptos básicos de Machine Learning que se emplearán en este proyecto y una descripción del estado del arte. Después, se mostrará cómo se ha implementado la herramienta que se plantea, basándose en algunas de las ideas y técnicas que incorporan algoritmos como el CART [6] o el C4.5 [7], y, finalmente, se aplicará a un par de datasets.

Los algoritmos de Machine Learning, en especial las redes neuronales, han experimentado un incremento notable en sus capacidades de aprendizaje en los últimos años. Sin embargo, la legibilidad y la comprensión de sus métodos de razonamiento son muy complicadas. Además, suelen ser cerrados y no permiten la colaboración de una persona en la creación de sus modelo predictivos. Por ello, hacen falta nuevas herramientas que permitan una interacción y comprensión cómoda entre la máquina y la persona. En este trabajo se pretende desarrollar una herramienta basada en árboles de decisión que permita la creación dirigida de modelos predictivos, ya que son fácilmente interpretables. Esto significa que el usuario experto encargado de crear el modelo predictivo debe poder interactuar con él y tener la posibilidad de guiarlo gracias a su conocimiento experto. Una de las finalidades de esta herramienta será crear modelos predictivos a partir de datos médicos. Primeramente, se contextualizará el problema que se quiere solucionar y se marcarán los objetivos del trabajo. A continuación, se hará un resumen de los conceptos básicos de Machine Learning que se emplearán en este proyecto y una descripción del estado del arte. Después, se mostrará cómo se ha implementado la herramienta que se plantea, basándose en algunas de las ideas y técnicas que incorporan algoritmos como el CART [6] o el C4.5 [7], y, finalmente, se aplicará a un par de datasets.