Interpretabilidad categórica de clasificadores automáticos sobre contenido relacionado a la percepción de la seguridad

Abstract

La percepción de la seguridad está relacionada con los sentimientos de los ciudadanos ante el riesgo asociado a los sucesos de seguridad y la magnitud de sus consecuencias. Debido a esta naturaleza subjetiva, es un tema complejo de cuantificar. Por ello, las redes sociales surgieron como una alternativa para cuantificar estas opiniones. Recientemente, se han utilizado métodos de aprendizaje automático supervisado multiclase para cuantificar distintos niveles de percepción de la seguridad. Sin embargo, estos métodos carecen de interpretabilidad sobre por qué un grupo de tweets clasifica en el mismo nivel de percepción de seguridad. En este trabajo, se propone una estrategia novedosa de interpretabilidad categórica y selección agnóstica al modelo para un grupo de predicciones relacionadas con el mismo nivel de percepción de la seguridad. Los resultados sugieren que el modelo propuesto presenta altos niveles de interpretabilidad para las diferentes categorías de percepción de seguridad. Adicionalmente, las métricas de interpretabilidad introducidas mejoran el proceso de selección de los modelos. (Texto tomado de la fuente)

The perception of security relates to citizens’ feelings in the face of risk associated with security events and the magnitude of its consequences. Because of this subjective nature, it is a complex subject to quantify. Therefore, social networks emerged as an alternative to quantifying these opinions. Recently, multiclass supervised machine learning methods quantified different levels of security perception. However, these methods lack interpretability about why a group of tweets classifies in the same level of perception of security. This work proposes a novel strategy of categorical interpretability and model-agnostic selection for a group of predictions related to the same level of perception of security. The results suggest that the proposed model presents high levels of interpretability for the different PoS categories. Additionally, the introduced interpretability metrics improve the model selection process.