A novel visual approach for enhanced attribute analysis and selection

Artur, Erasmo; Minghim, Rosane

doi:10.1016/j.cag.2019.08.015

Cited by 17 publications

(10 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Various visualization techniques have been proposed for the task of feature selection, including correlation matrices [33,53], radial visualizations [3,69,78], scatterplots [81], scatterplot matrices [28], feature ranking [35,42,48,51,65,71,74,83], feature clustering (e.g., [82]), and dimensionality reduction (DR) (e.g., [74]). The category of techniques more related to our work is feature ranking, since we use automatic feature selection techniques to rank the importance of the different features.…”

Section: Feature Selectionmentioning

confidence: 99%

FeatureEnVi: Visual Analytics for Feature Engineering Using Stepwise Selection and Semi-Automatic Extraction Approaches

Chatzimparmpas,

Martins,

Kucher

et al. 2021

Preprint

View full text Add to dashboard Cite

Fig. 1. Selecting important features, transforming them, and generating new features with FeatureEnVi: (a) the horizontal beeswarm plot for manually slicing the data space (which is sorted by predicted probabilities) and continuously checking the migration of data instances throughout the process; (b) the table heatmap view for the selection of features according to feature importances calculated from automatic techniques; (c) the radial tree providing an overview of the features with statistical measures for the different groups of instances, as set by the user-defined data slices; (d) the graph visualization for the detailed exploration of features, their transformation, and comparison between two or three features for feature generation purposes; and (e) the punchcard for tracking the steps of the process and the grouped bar chart for comparing the current vs. the best predictive performance based on three validation metrics.

show abstract

Section: Feature Selectionmentioning

confidence: 99%

FeatureEnVi: Visual Analytics for Feature Engineering Using Stepwise Selection and Semi-Automatic Extraction Approaches

Chatzimparmpas,

Martins,

Kucher

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…O Wrangler, desenvolvido por Kandel et al [5],é um exemplo de sistema que auxilia na transformação de dados de forma interativa. Já o Attribute Radviz proposto por Artur e Minghim [6], modifica o RadViz criando uma tabela de correlação entreâncoras e dados, e quanto maior a relação, mais perto o dado estará daâncora. O Visplause, descrito em Arbesser et al [7],é uma ferramenta que busca exibir problemas de qualidade dos dados e, principalmente, a implausibilidade deles.…”

Section: Trabalhos Relacionadosunclassified

“…A primeira utiliza a linguagem Python com o ambiente de desenvolvimento Jupyter notebook e faz o primeiro processamento em cima do volume de dados.É nessa etapa que as bibliotecas Numpy 4 (para computação científica) e Pandas (para estrutura e análise de dados) foram utilizadas. Já a segunda etapa da Pandas Profiling tem como objetivo construir o relatório utilizando templates em HTML.É nessa etapa que a biblioteca D3 5 foi utilizada para criação das visualizações em formato SVG 6 . Para que os dados processados na primeira etapa estejam disponíveis para a segunda etapa,é utilizada a biblioteca em Python Jinja 7 , que implementa os templates HTML mencionados anteriormente.…”

Section: A Contextualizaçãounclassified

Uso de visualização de dados para auxiliar na análise e pré-processamento de dados categóricos

Manssour¹,

Ciocari²,

Milani³

2020

Anais Estendidos Da Conference on Graphics, Patterns and Images (SIBRAPI Estendido 2020)

View full text Add to dashboard Cite

A quantidade de dados disponíveis sobre diferentes assuntos cresceu muito nos últimos anos, gerando novos desafios para os cientistas de dados e para diversas áreas de pesquisa, tais como mineração e visualização de dados. Com o objetivo de auxiliar na análise e pré-processamento de dados categóricos, esse trabalho propõe a inclusão de duas novas visualizações para dados categóricos à biblioteca Pandas Profiling. A primeira corresponde a um Diagrama de Cordas Bidimensional que possibilita ver a relação entre dados categóricos. A segunda é uma visualização do tipo Display Tabular que permite fazer uma análise de todo conjunto de dados. Estas visualizações visam auxiliar cientistas de dados na etapa de pré-processamento, principalmente com o objetivo de ajudar a entender o volume de dados a ser analisado.

show abstract

“…Source: Adapted from Artur and Minghim (2019). We describe part of the analysis of trauma scores performed in the medical data set.…”

Section: Case One: Understanding the Predictive Power Of Attributesmentioning

confidence: 99%

“…That fact limits us from trying some new adjustment. Hence, this analysis has returned a recommendation Source: Adapted from Artur and Minghim (2019).…”

Section: Case One: Understanding the Predictive Power Of Attributesmentioning

confidence: 99%

Novel visual approaches for attribute analysis, selection, and prediction

Júnior¹

View full text Add to dashboard Cite

Enquanto as capacidades de coleta e armazenamento de dados crescem extensamente hoje em dia, a capacidade geral de processar e analisar grande quantidade de dados cresce em uma taxa mais lenta. Essa assincronia introduz novos desafios impactando métodos que lidam com essa enorme quantidade de dados, como abordagens em mineração, estatística e aprendizado de máquina. Para ajudar a diminuir esta lacuna, abordagens visuais vem sendo propostas para combinar habilidades humanas com soluções consolidadas no desenvolvimento de ferramentas interativas que permitem uma investigação mais aprofundada dos dados. Uma quantidade substancial de abordagens visuais se concentra em técnicas baseadas em itens, onde os itens de dados representam os objetos de primeira ordem. Contudo, informações valiosas frequentemente aparecem a partir de observações de relacionamentos entre atributos, como os relacionamentos entre atributos categóricos e numéricos que frequentemente codificam informações relevantes. Nesse contexto, uma abordagem de análise visual para a exploração do espaço de atributos é fundamental, tanto quando há hipóteses de correlações que devem ser confirmadas, como também nos casos em que tais relações são desconhecidas ou imprevisíveis. Nesta Tese, propomos uma abordagem para análise de atributos com base na apresentação simultânea de múltiplas correlações por meio de uma visualização baseada em pontos, a qual visa construir mapas cognitivos desses relacionamentos para o usuário final. Além disso, o processo de análise oferece suporte a tarefas adicionais como seleção de atributos e criação de modelos de predição com base em um resultado alvo. Mostramos a eficiência das abordagens através de uma série de estudos de caso e cenários de uso que envolvem conjuntos de dados em contextos distintos.Palavras-chave: Análise visual, Visualização de dados, Análise de espaço de atributos, Seleção de atributos, Análise visual preditiva.

show abstract

A novel visual approach for enhanced attribute analysis and selection

Cited by 17 publications

References 39 publications

FeatureEnVi: Visual Analytics for Feature Engineering Using Stepwise Selection and Semi-Automatic Extraction Approaches

FeatureEnVi: Visual Analytics for Feature Engineering Using Stepwise Selection and Semi-Automatic Extraction Approaches

Uso de visualização de dados para auxiliar na análise e pré-processamento de dados categóricos

Novel visual approaches for attribute analysis, selection, and prediction

Contact Info

Product

Resources

About