Study of Shapley value-based explainability in machine learning

La crescente complessità dei modelli di machine learning e l'ampio utilizzo di "blackbox models" hanno suscitato crescente interesse nell'interpretazione dei risultati ottenuti da tali modelli. In questo contesto, il presente studio si concentra sull'applicazione dell'algoritmo Shapley Value come strumento di spiegazione per tali modelli, con particolare attenzione allo "shallow learning". L'obiettivo principale di questa tesi è testare l'efficienza dell'algoritmo Shapley Value nell'ambito dello shallow learning, al fine di valutarne la precisione ed efficienza rispetto ai metodi di machine learning tradizionali. Il metodo proposto è confrontato con tecniche di spiegazione non basate sul modello, come il Local Interpretable Model-Agnostic Explanations (LIME), attraverso una serie di esperimenti mirati. Questi esperimenti sono progettati per valutare le prestazioni dell'algoritmo Shapley Value in contesti eterogenei, coprendo una gamma diversificata di applicazioni. Il risultato atteso di questa ricerca è una valutazione empirica delle capacità esplicative dello Shapley Value in confronto ai metodi convenzionali e non model based, fornendo così una base per determinare quando e come utilizzare efficacemente lo Shapley Value nella spiegazione delle previsioni dei modelli di machine learning. I risultati potrebbero contribuire in modo significativo all'espansione delle conoscenze sulla explainability dei modelli di machine learning e alle applicazioni pratiche dell'algoritmo Shapley Value in contesti di shallow learning.