Force feature spaces for visualization and classification.
Force feature spaces for visualization and classification.
复制标题
强制特征空间进行可视化和分类。
DOI：
10.1109/icmla.2008.46
复制
发表时间：
2008
期刊：
影响因子：
--
通讯作者：
Robbins,KayA
中科院分区：
文献类型：
--
作者：
Veljkovic,Dragana;Robbins,KayA
当邻域结构没有携带足够的类信息时，保持距离的降维技术无法分离不同类别的元素。我们引入了一种新的视觉技术，K-epsilon图，来分析数据集的拓扑结构，并评估是否可以区分类内和类间邻域。提出了一种强调同类点之间相似性和增强类可分性的力特征空间数据变换方法。我们证明了力特征空间变换结合距离保持降维比单独降维产生更好的可视化效果。当用于分类时，强制特征空间提高了k近邻分类器的性能。此外，可以使用K-epsilon图来评估力特征空间变换的质量。
Distance-preserving dimension reduction techniques can fail to separate elements of different classes when the neighborhood structure does not carry sufficient class information. We introduce a new visual technique, K-epsilon diagrams, to analyze dataset topological structure and to assess whether intra-class and inter-class neighborhoods can be distinguished. We propose a force feature space data transform that emphasizes similarities between same-class points and enhances class separability. We show that the force feature space transform combined with distance-preserving dimension reduction produces better visualizations than dimension reduction alone. When used for classification, force feature spaces improve performance of K-nearest neighbor classifiers. Furthermore, the quality of force feature space transformations can be assessed using K-epsilon diagrams.
Orca：高维数据可视化工具包
DOI：
10.1080/10618600.2000.10474896
发表时间：
2000
影响因子：
2.4
作者：
P. Sutherland;A. Rossini;T. Lumley;N. Lewin‐Koh;J. Dickerson;Z. Cox;D. Cook
通讯作者：
D. Cook