MetaLProjection: uma abordagem para recomendação de algoritmos de redução de dimensionalidade utilizando meta-aprendizagem

• Ano de defesa: 2023
• Autor(a) principal: Ribeiro, Leonardo Rodrigues
• Orientador(a): Coimbra, Danilo Barbosa
• Banca de defesa: Coimbra, Danilo Barbosa , Covões, Thiago Ferreira , Rios, Ricardo Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação (PGCOMP)
• Departamento: Instituto de Computação - IC
• País: Brasil
• Palavras-chave em Português: Meta-aprendizagem; Visualização de informação; Projeções multidimensionais; Algorítmos
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufba.br/handle/ri/38590

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.