Quality Metrics für Visualisierungen hochdimensionaler Daten

Die visuelle Exploration multivariater Daten erfordert typischerweise eine Projektion auf niedrigdimensionale Darstellungen. Die Zahl der möglichen Darstellungen wächst mit der Anzahl der Dimensionen rapide an, und eine manuelle Exploration wird schnell ineffektiv oder sogar undurchführbar. Visuelle Quality Metrics wurden in jüngster Zeit entwickelt, um aus einer großen Zahl verfügbarer Kandidaten automatisch interessante visuelle Projektionen zu extrahieren. Die Metrics ermöglichen es beispielsweise, innerhalb einer großen Menge von Scatter Plots zu suchen (z. B. in einer Scatter Plot Matrix) und diejenigen Ansichten auszuwählen, die die beste Cluster Separation enthalten. Durch den Einsatz von Quality Metrics erhält der Nutzer eine überschaubare Anzahl potenziell nützlicher Visualisierungskandidaten, was die Aufgabe, tatsächlich nützliche Visualisierungen zu finden, wirksam erleichtern und die Datenexploration beschleunigen kann. Wir haben Metrics sowohl für klassenbasierte als auch für nicht klassenbasierte Scatter Plots und Parallel-Coordinates-Visualisierungen entwickelt TVCG ’11. Außerdem geben wir einen Überblick über Ansätze, die Quality Metrics in der Visualisierung hochdimensionaler Daten verwenden, und schlagen auf Grundlage einer umfassenden Literaturübersicht eine Systematisierung vor InfoVis ’11.

Überblick und Systematisierung

Literaturübersicht zu Quality Metrics, die in der Visualisierung hochdimensionaler Daten verwendet werden, mit dem Ergebnis der Definition einer Reihe von Faktoren, die diese Arbeiten charakterisieren, sowie einer Pipeline für Quality Metrics.

Eine Taxonomie visueller Faktoren der Cluster Separation Qualitative Evaluation von 816 Diagrammen, einschließlich einer Analyse der Gründe für das Scheitern früherer Metrics zur Cluster Separation sowie einer Taxonomie von Faktoren, die die Separation beeinflussen.

Weitere Informationen zu dieser und verwandten Arbeiten finden sich in den folgenden Publikationen.