An interactive tool to data analysis visualization techniques.

Abstract

El área de dimensión de reducción (RD) tiene como propósito proveer maneras de aprovechar información de alta dimensionalidad, a través de la generación de una representación de en baja dimensionalidad, siguiendo algún criterio de preservación de estructura. En la literatura científica, se encuentran docenas de técnicas de reducción de la dimensionalidad. Sin embargo, la selección de un método adecuado para la reducción de dimensionalidad es una situación frecuente y no representa una tarea trivial. Para realizar una reducción adecuada, podría incorporarse el criterio de expertos en el proceso de análisis, de forma que los expertos necesitan interactuar dinámicamente con las representaciones de la baja dimensionalidad. Dicha interacción puede lograrse con los diferentes modelos interactivos descritos en la literatura. No obstante, aún hay problemas abiertos relacionados con la interacción dinámica del usuario con los datos. En este trabajo, se presenta un modelo interactivo, llamado "Inverse Data Visualization Framework" (IDVF), el cual es un modelo pionero de visualización interactiva que se basa en la aproximación, por métodos kernels, de una reducción de dimensionalidad dada por un experto. En términos generales, el modelo opera de la siguiente manera: Inicialmente, se muestra un gráfico de dispersión de los datos en baja dimensionalidad generado por métodos espectrales. Seguidamente, se solicita al usuario agrupar (a su criterio) algunos puntos del gráfico de acuerdo a la representación que considere más idónea. Una vez generado los datos, el modelo tratará de generar una representación de la misma dimensionalidad con una forma similar al creado por el usuario, mezclando diferentes aproximaciones de métodos espectrales en forma de matrices kernel y otras matrices kernels que son comúnmente usados para la reducción de dimensionalidad. Todo esto se desarrolla usando el método de análisis de componentes principales con kernel (Kernel PCA). La mezcla de las matrices kernel, después de la descomposición espectral de KPCA, deberá generar un gráfico de 2 dimensiones que resultará similar a la representación dada por el usuario.