Campo DC | Valor | Idioma |
dc.creator | Ribeiro, Leonardo Rodrigues | - |
dc.date.accessioned | 2023-12-05T12:17:02Z | - |
dc.date.available | 2023-12-05T12:17:02Z | - |
dc.date.issued | 2023-10-06 | - |
dc.identifier.citation | RIBEIRO, Leonardo Rodrigues. MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem. 2023. 223 f. Dissertação (Mestrado em Ciências da Computação) Instituto de Computação, Universidade Federal da Bahia, Salvador, Ba, 2023. | pt_BR |
dc.identifier.uri | https://repositorio.ufba.br/handle/ri/38590 | - |
dc.description.abstract | Data visualization techniques have enormous potential for analysis, summarization, understanding in order to facilitate information extraction. Recent areas such as Visual
Analytics and Data Science highlight its importance, especially for analyzing complex
sets of data. In this sense, Multidimensional Projection techniques are particularly used
to perform visual analysis of high-dimensional data sets, because they perform dimensionality reduction and, consequently, have better scalability regarding the number of
attributes/dimensions. However, there is a wide variety of these projection techniques
and defining which is most suitable for finding visual patterns of information in one, or
several, data sets is not a trivial task. Although works in the literature test and compare different techniques on data sets with different characteristics, they do not do so
in a systematic way to facilitate a choice for the user. In this context, this research
uses meta-learning to classify and recommend multidimensional projections considering
certain evaluation metrics in a knowledge base with more than 500 distinct data sets.
To evaluate the approach, i) the relationship between the meta-attributes of all data
sets was observed, ii) generation of a ranking containing the performance of the chosen
projection techniques and, iii) performance of the recommendation of these techniques.
Finally, the results obtained show that the developed approach contributes efficiently to
the choice and recommendation of multidimensional projection techniques. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Bahia | pt_BR |
dc.rights | CC0 1.0 Universal | * |
dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
dc.subject | Meta-aprendizagem | pt_BR |
dc.subject | Visualização de informação | pt_BR |
dc.subject | Projeções multidimensionais | pt_BR |
dc.subject | Algorítmos | pt_BR |
dc.subject.other | Meta-learning | pt_BR |
dc.subject.other | Information visualization | pt_BR |
dc.subject.other | Multidimensional projections | pt_BR |
dc.subject.other | Algorithms | pt_BR |
dc.title | MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem | pt_BR |
dc.title.alternative | MetaLProjection: an approach to recommending dimensionality reduction algorithms using meta-learning | pt_BR |
dc.type | Dissertação | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação (PGCOMP) | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.contributor.advisor1 | Coimbra, Danilo Barbosa | - |
dc.contributor.advisor1ID | 0000-0003-2218-1351 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9590398895954821 | pt_BR |
dc.contributor.advisor-co1 | Jaskowiak, Pablo Andretta | - |
dc.contributor.advisor-co1ID | 0000-0002-6377-3372 | pt_BR |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/3294090242380648 | pt_BR |
dc.contributor.referee1 | Coimbra, Danilo Barbosa | - |
dc.contributor.referee1ID | 0000-0003-2218-1351 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/9590398895954821 | pt_BR |
dc.contributor.referee2 | Covões, Thiago Ferreira | - |
dc.contributor.referee2ID | 0000-0003-1004-646X | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/3706277130006136 | pt_BR |
dc.contributor.referee3 | Rios, Ricardo Araújo | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/0427387583450747 | pt_BR |
dc.creator.Lattes | https://lattes.cnpq.br/8242939146913083 | pt_BR |
dc.description.resumo | As técnicas de visualização de dados possuem um enorme potencial para análise, sumarização, compreensão a fim de facilitar a extração de informação. Áreas recentes como
Visual Analytics e Ciência de Dados evidenciam a sua importância, principalmente para
analisar complexos conjuntos de dados. Nesse sentido, as técnicas de Projeção Multidimensional são particularmente utilizadas para realizar análise visual de conjuntos de
dados de alta dimensionalidade, em razão de realizarem redução de dimensionalidade e,
por consequência, possuírem melhor escalabilidade no tocante a quantidade de atributos/dimensões. Todavia, há uma grande variedade destas técnicas de projeção e definir
qual a mais adequada para encontrar padrões visuais de informação em um, ou vários,
conjuntos de dados não é uma tarefa trivial. Ainda que os trabalhos na literatura testem e comparem diferentes técnicas em conjuntos de dados com características distintas,
não o fazem de modo sistematizado para facilitar uma escolha para o usuário. Nesse
contexto, esta pesquisa utiliza a meta-aprendizagem para classificar e recomendar as projeções multidimensionais considerando determinadas métricas de avaliação em uma base
de conhecimento com mais de 500 conjuntos de dados distintos. Para avaliar a abordagem foi observado i) a relação entre os meta-atributos de todos os conjuntos de dados, ii)
geração de um ranking contendo o desempenho das técnicas de projeção escolhidas e, iii)
desempenho da recomendação dessas técnicas. Por fim, os resultados obtidos mostram
que a abordagem desenvolvida contribui de modo eficiente para a escolha e recomendação
de técnicas de projeção multidimensional. | pt_BR |
dc.publisher.department | Instituto de Computação - IC | pt_BR |
dc.type.degree | Mestrado Acadêmico | pt_BR |
Aparece nas coleções: | Dissertação (PGCOMP)
|