Evaluating Multi-Dimensional Visualizations for Understanding Fuzzy Clusters
Evaluating Multi-Dimensional Visualizations for Understanding Fuzzy Clusters
复制标题
评估多维可视化以理解模糊聚类
DOI：
10.1109/tvcg.2018.2865020
复制
发表时间：
2019-01
影响因子：
5.2
通讯作者：
Chen Wei
中科院分区：
文献类型：
--
作者：
Zhao Ying;Luo Feng;Chen Minghui;Wang Yingchao;Xia Jiazhi;Zhou Fangfang;Wang Yunhai;Chen Yi;Chen Wei
模糊聚类将数据的成员资格概率分配给聚类，这真实地反映了真实世界的聚类场景，但显着增加了理解模糊聚类的复杂性。许多研究表明，多维数据的可视化技术有利于理解模糊聚类。然而，没有经验证据存在的有效性和效率，这些可视化技术在解决模糊聚类分析任务的特点。在本文中，我们进行了一个对照实验，以评估模糊聚类分析的能力，使用四个多维可视化技术，即平行坐标图，散点图矩阵，主成分分析，和Rankerz。首先，我们定义的分析任务和他们的代表性问题，具体到模糊聚类分析。然后，我们设计了客观的问卷，比较使用四种技术解决问题的准确性，时间和满意度。我们还设计了主观问卷，收集志愿者的经验与四个技术方面的易用性，信息量，和有用的。通过一个完整的实验过程和详细的结果分析，我们测试了四个假设，制定了我们的经验的基础上，并提供指导性的分析师在选择合适的和有效的可视化技术来分析模糊聚类。
Fuzzy clustering assigns a probability of membership for a datum to a cluster, which veritably reflects real-world clustering scenarios but significantly increases the complexity of understanding fuzzy clusters. Many studies have demonstrated that visualization techniques for multi-dimensional data are beneficial to understand fuzzy clusters. However, no empirical evidence exists on the effectiveness and efficiency of these visualization techniques in solving analytical tasks featured by fuzzy clusters. In this paper, we conduct a controlled experiment to evaluate the ability of fuzzy clusters analysis to use four multi-dimensional visualization techniques, namely, parallel coordinate plot, scatterplot matrix, principal component analysis, and Radviz. First, we define the analytical tasks and their representative questions specific to fuzzy clusters analysis. Then, we design objective questionnaires to compare the accuracy, time, and satisfaction in using the four techniques to solve the questions. We also design subjective questionnaires to collect the experience of the volunteers with the four techniques in terms of ease of use, informativeness, and helpfulness. With a complete experiment process and a detailed result analysis, we test against four hypotheses that are formulated on the basis of our experience, and provide instructive guidance for analysts in selecting appropriate and efficient visualization techniques to analyze fuzzy clusters.
登录
查看更多内容
DOI：
10.1002/0471602396.ch14
发表时间：
2004-09
期刊：
Statistical Methods for Biomedical Research
影响因子：
--
作者：
G. Belle;L. Fisher;P. Heagerty;T. Lumley
通讯作者：
G. Belle;L. Fisher;P. Heagerty;T. Lumley
DOI：
10.1109/icdm.2014.24
发表时间：
2014-12
期刊：
2014 IEEE International Conference on Data Mining
影响因子：
--
作者：
Y. Lin;Nan Cao;D. Gotz;Lu Lu-Lu
通讯作者：
Y. Lin;Nan Cao;D. Gotz;Lu Lu-Lu
影响因子：
2.5
作者：
Xiaole Kuang;Haimo Zhang;Shengdong Zhao;Michael J. McGuffin
通讯作者：
Xiaole Kuang;Haimo Zhang;Shengdong Zhao;Michael J. McGuffin
DOI：
10.1109/tvcg.2014.2330617
发表时间：
2015
影响因子：
5.2
作者：
Ronak Etemadpour;Robson Motta;J. G. Paiva;R. Minghim;Maria Cristina Ferreira de Oliveira;L. Linsen
通讯作者：
Ronak Etemadpour;Robson Motta;J. G. Paiva;R. Minghim;Maria Cristina Ferreira de Oliveira;L. Linsen
DOI：
10.1109/tvcg.2018.2816203
发表时间：
2018-06
影响因子：
5.2
作者：
Yang Shi;Chris Bryan;Sridatt Bhamidipati;Ying Zhao;Yaoxue Zhang;K. Ma
通讯作者：
Yang Shi;Chris Bryan;Sridatt Bhamidipati;Ying Zhao;Yaoxue Zhang;K. Ma