Please use this identifier to cite or link to this item:
https://hdl.handle.net/10316/110581
Title: | Machine Learning for the Evaluation of Visualization Models | Other Titles: | Aprendizagem Computacional para a Avaliação de Modelos de Visualização | Authors: | Galvão, Miguel Eduardo Pinto | Orientador: | Polisciuc, Evgheni Correia, João Nuno Gonçalves Costa Cavaleiro |
Keywords: | ML4VIS; Aprendizagem Computacional; Visualização de Dados; Modelos de Visualização; Avaliação de Visualização; ML4VIS; Machine Learning; Data Visualization; Visualization Models; Visualization Evaluation | Issue Date: | 21-Jul-2023 | Project: | info:eu-repo/grantAgreement/FCT/6817 - DCRRNI ID/UIDB/00326/2020/PT | Serial title, monograph or event: | Machine Learning for the Evaluation of Visualization Models | Place of publication or event: | DEI-FCTUC | Abstract: | Com o aumento do uso de Visualização de Dados, aliado ao aumento da quantidade de dados gerados e processados, é importante que a sua leitura seja o mais eficiente possível, quer a nível de velocidade como de precisão. Para isto, propomos um método de avaliação baseado em perceção gráfica: "a descodificação visual de informação codificada em gráficos". Aplicando um método com modelos de Aprendizagem Computacional (AC) em que fazemos a regressão dos valores representados num gráfico, obtemos um erro associado com a sua leitura, que mede a capacidade de perceção visual proveniente de um tipo de visualização. Com base neste erro, conseguimos comparar o desempenho de diferentes técnicas de visualização, ajudando a perceber quais as melhores segundo o nosso critério. Para isso, testamos diferentes modelos, elegendo o mais apto para esta tarefa e estudamos as suas capacidades e limitações analisando os seus resultados ao longo de diferentes experiências, concluindo que este método funciona mas que o modelo proposto pode não ser o mais adequado para o aplicar. . With the increased use of Data Visualization, allied with the growing trend of the amount of data generated and processed, it is important that its reading is done in the most efficient way possible, both in terms of speed and accuracy. For this, we propose a method of evaluation based on graphical perception: "the visual decoding of information encoded on graphs". Applying a method with Machine Learning (ML) models where we perform a regression of the values represented in a chart, we get an estimation error associated with the reading. From this error, we can compare the performance of different visualization techniques, contributing to figuring out which are the best according to our criteria. For that, we tested different ML models, choosing the most suitable one for this task, and studied its capabilities and limitations by analyzing the results from various experiments, concluding that this method works but the proposed model might not be the most suitable to apply it. . |
Description: | Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia | URI: | https://hdl.handle.net/10316/110581 | Rights: | openAccess |
Appears in Collections: | UC - Dissertações de Mestrado |
Files in This Item:
File | Size | Format | |
---|---|---|---|
Dissertação_Miguel_Galvão.pdf | 3.01 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License