Yorumlanabilir sınıflandırma için prototip temelli eşleme fonksiyonları

Yapay öğrenme alanında yorumlananilirlik, özellikle sağlık ve finans gibi yüksek riskli alanlarda model tahminlerine olan güveni sağlamak açısından önem taşımaktadır. Doğrusal modeller, girdi öznitelikleri ve çıktı tahminleri arasındaki ilişkileri temsil etmedeki basitlikleri ve şeffaflıkları nedeniyle yorumlanabilir kabul edildir. Ancak, tahnin performansları karmaşık senaryolarda sınırlı olabilmektedir. Bu araştırma, doğrusal modellerin yorumlanabilirliğini korurken tahmin performansını artırmak için prototiplere (asıl örneklere) dayalı eşleme fonksiyonları önermektedir. Prototipler, model tahminleri için sezgisel açıklamalar sağlamak üzere kullanılabilen temsili veri örnekleridir. Önerilen eşleme fonksiyonları, orijinal girdi özniteliklerine ek olarak prototiplere olan mesafeye dayalı yeni özellikler ekler. Bu sayede, doğrusal modellerin yorumlanabilirliği korunurken karmaşık ilişkileri yakalamasına olanak sağlanır. Önerilen eşleme fonksiyonları, çeşitli veri kümeleri üzerinde değerlendirilerek, yorumlanabilirliği korurken iyieştirilmiş tahmin performansları sağladığı gösterilmiştir. Prototiplerin kullanımı, model tahminlerine açıklamalar sağlayarak uygulayıcıların modeller tarafından verilen nihahi kararları anlamalarına olanak tanır. Bu çalışma, doğrusal modellerin tahmin performansları ve yorumlanabilirlikleri arasındaki ödünleşimi dengeleyen özgün eşleme fonsksiyonları ile yapay öğrenme alanına katkıda bulunmaktadır.