کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6855121 1437606 2018 36 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Scaled radial axes for interactive visual feature selection: A case study for analyzing chronic conditions
ترجمه فارسی عنوان
محور شعاعی مقیاس پذیر برای انتخاب ویژگی های بصری تعاملی: یک مطالعه مورد برای تجزیه و تحلیل شرایط مزمن
کلمات کلیدی
تجسم داده های با ابعاد بزرگ، انتخاب ویژگی های تعاملی، تجزیه و تحلیل ویژوال، تجزیه و تحلیل داده های اکتشافی، شرایط مزمن پزشکی،
ترجمه چکیده
در آمار، یادگیری ماشین و زمینه های مرتبط، انتخاب ویژگی، فرایند انتخاب زیر مجموعه ای کوچک از ویژگی های برای کار با. این یک موضوع مهم است، زیرا انتخاب یک زیر مجموعه از ویژگی ها می تواند به تحلیل گران برای تفسیر مدل ها و داده ها کمک کند و برای کاهش زمان اجرا محاسباتی. در حالی که بسیاری از تکنیک ها صرفا اتوماتیک هستند، جامعه تجسم داده ها تعدادی از رویکردهای تعاملی را ایجاد کرده است که کاربران می توانند تصمیمات خود را با توجه به دانش دامنه خود بپذیرند. در این مقاله ما یک تکنیک تجسم جدید براساس محور شعاعی ارائه می دهیم که به تحلیلگران می دهد تا به طور موثر انتخاب ویژگی را در مقایسه با روش های محور شعاعی قبلی انجام دهند. این کار با استفاده از محور های مقیاس جایگزین انجام شده است که بینایی را در مورد ویژگی هایی که سهم کوچکتری در تجسم ها دارند، ارائه می دهد. بنابراین، تحلیلگران می توانند از تکنیک برای حذف ویژگی های تعاملی عقب مانده استفاده کنند، با کنار گذاشتن ویژگی های کمترین توجه به اطلاعات مربوط به توطئه ها و تخصص آنها. رویکرد ما می تواند با هر روش کاهش خطی خط همراه باشد و می تواند در هنگام انجام تجزیه و تحلیل ساختار خوشه، همبستگی ها، جدا شدن کلاس و غیره مورد استفاده قرار گیرد. به ویژه، در این مقاله ما در ترکیب روش پیشنهادی با روش های طراحی شده برای طبقه بندی تمرکز می کنیم. در نهایت، ما اثربخشی پیشنهاد ما را از طریق یک مطالعه موردی برای تجزیه و تحلیل داده های پیشرفته پزشکی مزمن پزشکی نشان می دهد. به طور خاص، پزشکان از این تکنیک برای تعیین مهمترین ویژگی هایی که بین بیماران دیابتی و فشار خون بالا وجود دارد، استفاده می کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
محور شعاعی مقیاس پذیر برای انتخاب ویژگی های بصری تعاملی: یک مطالعه مورد برای تجزیه و تحلیل شرایط مزمن
چکیده انگلیسی
In statistics, machine learning, and related fields, feature selection is the process of choosing a smaller subset of features to work with. This is an important topic since selecting a subset of features can help analysts to interpret models and data, and to decrease computational runtimes. While many techniques are purely automatic, the data visualization community has produced a number of interactive approaches where users can make decisions taking into account their domain knowledge. In this paper we propose a new visualization technique based on radial axes that allows analysts to perform feature selection effectively, in contrast to previous radial axes methods. This is achieved by employing alternative scaled axes that provide insight regarding the features that have a smaller contribution to the visualizations. Therefore, analysts can use the technique to carry out interactive backwards feature elimination, by discarding the least relevant features according to the information on the plots and their expertise. Our approach can be coupled with any linear dimensionality reduction method, and can be used when performing analyses of cluster structure, correlations, class separability, etc. Specifically, in this paper we focus on combining the proposed technique with methods designed for classification. Lastly, we illustrate the effectiveness of our proposal through a case study analyzing high-dimensional medical chronic conditions data. In particular, clinicians have used the technique for determining the most important features that discriminate between patients with diabetes and high blood pressure.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 100, 15 June 2018, Pages 182-196
نویسندگان
, , , , , ,