Explainable-AI

Aplicação de técnicas de Explainable AI (XAI)

O notebook xai.ipynb contém diversos experimentos de XAI para o problema de classificação de doença cardíaca.

Os experimentos contém com os seguintes algoritmos:

Feature Importance
LIME
Anchor
SHAP
Partial Dependence Plot (PDP)
Accumulated Local Effects Plot (ALE)
Counterfactual

Como executar o projeto

git clone https://github.com/miltongneto/Explainable-AI/
cd Explainable-AI
pip install -r requirements.txt
jupyter notebook

Também é possível ver os experimentos através do arquivo HTML (xai.html).

Libs utilizadas para XAI

Dataset

A base de dados com informações de doenças cardíacas está disponível no repositório do UCI Machine Learning (https://archive.ics.uci.edu/ml/datasets/heart+disease). O problema foi abordado como classificação binária, realizando a predição se apresenta a doença ou não. As features são:

age - age
sex - sex (1 = male; 0 = female)
cp - chest pain type (4 values: 1 = typical angina; 2 = atypical angina; 3 = non-anginal pain; 4 = asymptomatic)
trestbps - resting blood pressure
chol - serum cholestoral in mg/dl
fbs - fasting blood sugar > 120 mg/dl (1 = true; 0 = false)
restecg - resting electrocardiographic results (values 0,1,2)
thalach - maximum heart rate achieved
exang - exercise induced angina (1 = yes; 0 = no)
oldpeak - ST depression induced by exercise relative to rest
slope - the slope of the peak exercise ST segment (1 = upsloping; 2 = flat; 3 = downsloping)
ca - number of major vessels (0-3) colored by flourosopy
thal - 3 = normal; 6 = fixed defect; 7 = reversable defect

Modelagem

O objetivo deste projeto não está na performance do classificador, mas sim em sua interpretação e em explicar suas decisões. Ainda assim foram realizados devidas separações do dataset em conjuntos de treino, validação e teste, e também aplicada as métricas de avaliação. Os modelos foram o Random Forest do scikit-learn e uma rede neural artificial do Keras.