Apresentação viz transform

172 visualizações

Publicada em

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
172
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
2
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • Apresentação viz transform

    1. 1. Transformação Visual de Dados Carlos Massera Filho
    2. 2. O Algoritmo
    3. 3. O Algoritmo
    4. 4. Amostragemsqrt(n) a 6 * sqrt(n) amostras Aleatórias ClustersQuando maior a amostra melhor osresultadosPorem, mais difícil do usuário manipular emaior tempo para efetuar execução
    5. 5. O Algoritmo
    6. 6. Projeção da amostraVisualização da amostraVários algoritmos: Force-Scheme Fast Force-Scheme PCAPCA traz melhores resultados, apesar de não
    7. 7. O Algoritmo
    8. 8. Rearranjo dos dadosOperado pelo usuárioDuas opções: Livre AssistidaResultado final possui alta dependência doarranjo efetuado.
    9. 9. O Algoritmo
    10. 10. RecuperaçãoRecuperação de dimensão nos dadosRecuperação assistida: Através de distancias locais Através de relação entre distâncias Outras?Algoritmos baseados no PLMP e LAMP
    11. 11. O Algoritmo
    12. 12. TransformaçãoTransformação do conjunto de dados a partirda transformação das amostrasVários algoritmos: LAMP PLMP NNLAMP
    13. 13. TransformaçãoPela grande modificação no conjunto dedados, relações globais não são importantesNNLAMP possui melhores resultados pela suaexclusão de relações globaisO algoritmo pode ser executado novamentepara melhores resultados
    14. 14. O Algoritmo
    15. 15. ProjeçãoVisualização do resultado finalAlgoritmos: PLMP LAMPLAMP possui melhores resultados pela altanão linearidade do conjunto
    16. 16. Resultados Conjunto Inicial 1ª 2ª 3ª 4ª 5ª wdbc 0.26 0.31 0.64 0.66 0.76 0.68 diabetes 0.07 0.07 0.11 0.23 0.30 0.39segmentation 0.24 0.27 0.50 0.50 0.54 0.51 madelon 0.00 0.00 0.01 0.02 0.13 0.18 us-counties 0.04 0.00 0.10 0.09 0.10 0.11 caltech 0.00 0.02 0.13 0.16 0.16 0.19 spambase 0.04 0.26 0.36 0.36 0.29 0.34
    17. 17. ConclusãoGrande melhora em conjuntos com algumaseparação (mais facilmente separados)Resultado estabiliza após 3/4 iteraçõesConjuntos de dados com classes nãobalanceadas possuem rendimento ruim

    ×