MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | https://repositorio.ufba.br/handle/ri/38590 |
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. |
id |
UFBA-2_8761c4f956e65cd121aef641f6565520 |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/38590 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
2023-12-05T12:17:02Z2023-12-05T12:17:02Z2023-10-06RIBEIRO, 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.https://repositorio.ufba.br/handle/ri/38590As 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.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.Submitted by LEONARDO RIBEIRO (leorodriguesbdo@gmail.com) on 2023-12-04T16:21:52Z No. of bitstreams: 2 license_rdf: 701 bytes, checksum: 42fd4ad1e89814f5e4a476b409eb708c (MD5) Dissertacao_mestrado_Leonardo_versao_final.pdf: 6065894 bytes, checksum: 0852fd4ac5a8fc37103db8df9e5b5977 (MD5)Approved for entry into archive by Solange Rocha (soluny@gmail.com) on 2023-12-05T12:17:02Z (GMT) No. of bitstreams: 2 Dissertacao_mestrado_Leonardo_versao_final.pdf: 6065894 bytes, checksum: 0852fd4ac5a8fc37103db8df9e5b5977 (MD5) license_rdf: 701 bytes, checksum: 42fd4ad1e89814f5e4a476b409eb708c (MD5)Made available in DSpace on 2023-12-05T12:17:02Z (GMT). No. of bitstreams: 2 Dissertacao_mestrado_Leonardo_versao_final.pdf: 6065894 bytes, checksum: 0852fd4ac5a8fc37103db8df9e5b5977 (MD5) license_rdf: 701 bytes, checksum: 42fd4ad1e89814f5e4a476b409eb708c (MD5) Previous issue date: 2023-10-06porUniversidade Federal da BahiaPrograma de Pós-Graduação em Ciência da Computação (PGCOMP) UFBABrasilInstituto de Computação - ICCC0 1.0 Universalhttp://creativecommons.org/publicdomain/zero/1.0/info:eu-repo/semantics/openAccessMeta-learningInformation visualizationMultidimensional projectionsAlgorithmsCNPQ::CIENCIAS EXATAS E DA TERRACNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOMeta-aprendizagemVisualização de informaçãoProjeções multidimensionaisAlgorítmosMetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagemMetaLProjection: an approach to recommending dimensionality reduction algorithms using meta-learningMestrado Acadêmicoinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionCoimbra, Danilo Barbosa0000-0003-2218-1351http://lattes.cnpq.br/9590398895954821Jaskowiak, Pablo Andretta0000-0002-6377-3372http://lattes.cnpq.br/3294090242380648Coimbra, Danilo Barbosa0000-0003-2218-1351http://lattes.cnpq.br/9590398895954821Covões, Thiago Ferreira0000-0003-1004-646Xhttp://lattes.cnpq.br/3706277130006136Rios, Ricardo Araújohttp://lattes.cnpq.br/0427387583450747https://lattes.cnpq.br/8242939146913083Ribeiro, Leonardo Rodriguesreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBATEXTDissertacao_mestrado_Leonardo_versao_final.pdf.txtDissertacao_mestrado_Leonardo_versao_final.pdf.txtExtracted texttext/plain656112https://repositorio.ufba.br/bitstream/ri/38590/4/Dissertacao_mestrado_Leonardo_versao_final.pdf.txt0c7c3878b101c2c0433fd264f35f8d82MD54ORIGINALDissertacao_mestrado_Leonardo_versao_final.pdfDissertacao_mestrado_Leonardo_versao_final.pdfDissertação de Mestrado de Leonardo Rodrigues Ribeiroapplication/pdf6065894https://repositorio.ufba.br/bitstream/ri/38590/1/Dissertacao_mestrado_Leonardo_versao_final.pdf0852fd4ac5a8fc37103db8df9e5b5977MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8701https://repositorio.ufba.br/bitstream/ri/38590/2/license_rdf42fd4ad1e89814f5e4a476b409eb708cMD52LICENSElicense.txtlicense.txttext/plain1715https://repositorio.ufba.br/bitstream/ri/38590/3/license.txt67bf4f75790b0d8d38d8f112a48ad90bMD53ri/385902023-12-09 02:04:23.584oai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322023-12-09T05:04:23Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
dc.title.alternative.pt_BR.fl_str_mv |
MetaLProjection: an approach to recommending dimensionality reduction algorithms using meta-learning |
title |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
spellingShingle |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem Ribeiro, Leonardo Rodrigues CNPQ::CIENCIAS EXATAS E DA TERRA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Meta-aprendizagem Visualização de informação Projeções multidimensionais Algorítmos Meta-learning Information visualization Multidimensional projections Algorithms |
title_short |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
title_full |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
title_fullStr |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
title_full_unstemmed |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
title_sort |
MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem |
author |
Ribeiro, Leonardo Rodrigues |
author_facet |
Ribeiro, Leonardo Rodrigues |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Coimbra, Danilo Barbosa |
dc.contributor.advisor1ID.fl_str_mv |
0000-0003-2218-1351 |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9590398895954821 |
dc.contributor.advisor-co1.fl_str_mv |
Jaskowiak, Pablo Andretta |
dc.contributor.advisor-co1ID.fl_str_mv |
0000-0002-6377-3372 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/3294090242380648 |
dc.contributor.referee1.fl_str_mv |
Coimbra, Danilo Barbosa |
dc.contributor.referee1ID.fl_str_mv |
0000-0003-2218-1351 |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/9590398895954821 |
dc.contributor.referee2.fl_str_mv |
Covões, Thiago Ferreira |
dc.contributor.referee2ID.fl_str_mv |
0000-0003-1004-646X |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/3706277130006136 |
dc.contributor.referee3.fl_str_mv |
Rios, Ricardo Araújo |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/0427387583450747 |
dc.contributor.authorLattes.fl_str_mv |
https://lattes.cnpq.br/8242939146913083 |
dc.contributor.author.fl_str_mv |
Ribeiro, Leonardo Rodrigues |
contributor_str_mv |
Coimbra, Danilo Barbosa Jaskowiak, Pablo Andretta Coimbra, Danilo Barbosa Covões, Thiago Ferreira Rios, Ricardo Araújo |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Meta-aprendizagem Visualização de informação Projeções multidimensionais Algorítmos Meta-learning Information visualization Multidimensional projections Algorithms |
dc.subject.por.fl_str_mv |
Meta-aprendizagem Visualização de informação Projeções multidimensionais Algorítmos |
dc.subject.other.pt_BR.fl_str_mv |
Meta-learning Information visualization Multidimensional projections Algorithms |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-12-05T12:17:02Z |
dc.date.available.fl_str_mv |
2023-12-05T12:17:02Z |
dc.date.issued.fl_str_mv |
2023-10-06 |
dc.type.driver.fl_str_mv |
Mestrado Acadêmico info:eu-repo/semantics/masterThesis |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufba.br/handle/ri/38590 |
identifier_str_mv |
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. |
url |
https://repositorio.ufba.br/handle/ri/38590 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação (PGCOMP) |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Computação - IC |
publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/38590/4/Dissertacao_mestrado_Leonardo_versao_final.pdf.txt https://repositorio.ufba.br/bitstream/ri/38590/1/Dissertacao_mestrado_Leonardo_versao_final.pdf https://repositorio.ufba.br/bitstream/ri/38590/2/license_rdf https://repositorio.ufba.br/bitstream/ri/38590/3/license.txt |
bitstream.checksum.fl_str_mv |
0c7c3878b101c2c0433fd264f35f8d82 0852fd4ac5a8fc37103db8df9e5b5977 42fd4ad1e89814f5e4a476b409eb708c 67bf4f75790b0d8d38d8f112a48ad90b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459686323683328 |