Resumen: Una tarea de interés en el aprendizaje automático (ML) es la de atribuir explicaciones a las predicciones hechas por los modelos ML. Además, en los dominios considerados de alto riesgo, el rigor de las explicaciones es primordial. De hecho, las explicaciones incorrectas pueden engañar y engañarán a los tomadores de decisiones humanas. Como resultado, e incluso si la interpretabilidad se reconoce como un concepto esquivo, los llamados modelos interpretables se emplean de manera ubicuamente en usos de alto riesgo de ML y minería de datos (DM). Este es el caso de los modelos ML basados en reglas, que abarcan árboles de decisión, diagramas, conjuntos y listas. Este documento relaciona explicaciones con las conocidas facetas no conocidas de los modelos ML basados en reglas, que incluyen superposición negativa y varias formas de redundancia. El documento desarrolla algoritmos para el análisis de estas facetas no deseadas de sistemas basados en reglas, y concluye que las herramientas bien conocidas y ampliamente utilizadas para los modelos ML basados en reglas de aprendizaje inducirán conjuntos de reglas que exhiben una o más facetas negativas.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
