Original title: Vysvětlitelnost modelů generovaných genetickým programováním v porovnání s neuronovými sítěmi
Translated title: Explainability of Models Generated by Genetic Programming Compared with Neural Networks
Authors: Dzurilla, Adam ; Mrázek, Vojtěch (referee) ; Sekanina, Lukáš (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Táto diplomová práca skúma úlohu umelej inteligencie (AI) v každodennom živote, pričom sa zameriava na kritickú potrebu vysvetliteľných modelov. Vzhľadom na to, že systémy AI sa stávajú čoraz bežnejšími, transparentnosť je kľúčová pre budovanie dôvery. Táto práca poskytuje prehľad o vývoji AI, základných pojmoch strojového učenia a výzvach spojených s vytváraním transparentných systémov prostredníctvom vysvetliteľnej umelej inteligencie (XAI). S cieľom porovnať kompromis medzi výkonnosťou modelu a transparentnosťou sme porovnali dve odlišné architektúry: stromové genetické programovanie (TGP) a viacvrstvové perceptróny (MLP). Oba modely boli doladené a testované na identických klasifikačných a regresných dátových súboroch. Auditovali sme ich rozhodovacie procesy pomocou bežných metód analýzy vysvetliteľnosti (LIME a SHAP) a analýzy vizuálnych stromov, aby sme pochopili, ako dospievajú k svojim predpovediam. Výsledky ukazujú, že zatiaľ čo MLP dosahoval konzistentne vyššiu presnosť, TGP zostal konkurencieschopný pri jednoduchších úlohách s nízkym rozmerom. Zistili sme, že interpretovateľnosť TGP je veľmi citlivá na veľkosť modelu: menšie stromy (do 20 uzlov) boli intuitívne a veľmi prehľadné, avšak väčšie stromy (100 uzlov) boli neprehľadné a nedokázali efektívne zachytiť zložité vzory. Nakoniec analýza SHAP odhalila, že model MLP ponúka spoľahlivejší, „plynulejší“ rozhodovací proces, čím sa vyhýba nesúvislým prahovým artefaktom, ktoré sa vyskytujú v symbolických stromoch. V konečnom dôsledku táto práca naznačuje, že zatiaľ čo model TGP je vynikajúci pre transparentné, jednoduché potreby, model MLP je robustnejší a spoľahlivejší pre komplexné aplikácie. This thesis explores the role of Artificial Intelligence (AI) in daily life, focusing on the critical need for explainable models. As AI systems become more common, transparency is essential for fostering trust. This work reviews the evolution of AI, foundational machine learning concepts, and the challenges of creating transparent systems through Explainable AI (XAI). To compare the trade-off between model performance and transparency, we benchmarked two distinct architectures: Tree-based Genetic Programming (TGP) and Multi-Layered Perceptrons (MLP). Both models were fine-tuned and tested on identical classification and regression datasets. We audited their decision-making processes using common explainability analysis methods (LIME and SHAP), and visual tree analysis to understand how they arrive at their predictions. The results show that while the MLP consistently achieved higher accuracy, TGP remained competitive on simpler, low-dimensional tasks. We found that TGP interpretability is highly sensitive to model size: smaller trees (up to 20 nodes) were intuitive and highly readable, but larger trees (100 nodes) became cluttered and failed to capture complex patterns effectively. Finally, SHAP analysis revealed that the MLP offers a more reliable, "smooth" decision process, avoiding the disjointed threshold artifacts found in symbolic trees. Ultimately, this thesis suggests that while TGP is excellent for transparent, simple needs, the MLP is more robust and trustworthy for complex applications.
Keywords: Genetické programovanie; Hlboké neurónové siete; Interpretovateľnosť; LIME; Modely strojového učenia; Neurónové siete; SHAP; Transparentnosť modelu; Tree-based Genetické programovanie; Umelá inteligencia; Vysvetliteľnosť; XAI; Artificial Intelligence; Deep Neural Networks; Explainability; Genetic Programming; Interpretability; LIME; Machine Learning Models; Model Transparency; Neural Networks; SHAP; Tree-based Genetic Programming; XAI

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260661

Permalink: http://www.nusl.cz/ntk/nusl-781437


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses