1. Transformação Visual de
Dados
Carlos Massera Filho

2. O Algoritmo

3. O Algoritmo

4. Amostragem
sqrt(n) a 6 * sqrt(n) amostras
Aleatórias
Clusters
Quando maior a amostra melhor os
resultados
Porem, mais difícil do usuário manipular e
maior tempo para efetuar execução

5. O Algoritmo

6. Projeção da amostra
Visualização da amostra
Vários algoritmos:
Force-Scheme
Fast Force-Scheme
PCA
PCA traz melhores resultados, apesar de não

7. O Algoritmo

8. Rearranjo dos dados
Operado pelo usuário
Duas opções:
Livre
Assistida
Resultado final possui alta dependência do
arranjo efetuado.

9. O Algoritmo

10. Recuperação
Recuperação de dimensão nos dados
Recuperação assistida:
Através de distancias locais
Através de relação entre distâncias
Outras?
Algoritmos baseados no PLMP e LAMP

11. O Algoritmo

12. Transformação
Transformação do conjunto de dados a partir
da transformação das amostras
Vários algoritmos:
LAMP
PLMP
NNLAMP

13. Transformação
Pela grande modificação no conjunto de
dados, relações globais não são importantes
NNLAMP possui melhores resultados pela sua
exclusão de relações globais
O algoritmo pode ser executado novamente
para melhores resultados

14. O Algoritmo

15. Projeção
Visualização do resultado final
Algoritmos:
PLMP
LAMP
LAMP possui melhores resultados pela alta
não linearidade do conjunto

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 0.39
segmentation 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. Conclusão
Grande melhora em conjuntos com alguma
separação (mais facilmente separados)
Resultado estabiliza após 3/4 iterações
Conjuntos de dados com classes não
balanceadas possuem rendimento ruim