Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Marcílio-Jr, Wilson E. [UNESP] | - |
Autor(es): dc.creator | Eler, Danilo M. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:46:37Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:46:37Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-09-15 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.eswa.2021.115020 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/206269 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/206269 | - |
Descrição: dc.description | Dimensionality reduction (DR) techniques have been consistently supporting high-dimensional data analysis in various applications. Besides the patterns uncovered by these techniques, the interpretation of DR results based on each feature's contribution to the low-dimensional representation supports new finds through exploratory analysis. Current literature approaches designed to interpret DR techniques do not explain the features’ contributions well since they focus only on the low-dimensional representation or do not consider the relationship among features. This paper presents ClusterShapley to address these problems, using Shapley values to generate explanations of dimensionality reduction techniques and interpret these algorithms using a cluster-oriented analysis. ClusterShapley explains the formation of clusters and the meaning of their relationship, which is useful for exploratory data analysis in various domains. We propose novel visualization techniques to guide the interpretation of features’ contributions on clustering formation and validate our methodology through case studies of publicly available datasets. The results demonstrate our approach's interpretability and analysis power to generate insights about pathologies and patients in different conditions using DR results. | - |
Descrição: dc.description | Faculty of Sciences and Technology São Paulo State University (UNESP) | - |
Descrição: dc.description | Faculty of Sciences and Technology São Paulo State University (UNESP) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Expert Systems with Applications | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Dimensionality reduction | - |
Palavras-chave: dc.subject | Explainability | - |
Palavras-chave: dc.subject | Shapley values | - |
Palavras-chave: dc.subject | Visualization | - |
Título: dc.title | Explaining dimensionality reduction results using Shapley values | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: