데이터베이스 연구회지(SIGDB)
Current Result Document : 11 / 11
| 한글제목(Korean Title) |
머신러닝 기반 시각화 추천을 위한 메타특징 공학 |
| 영문제목(English Title) |
Meta-Feature Engineering for Machine Learning-based Visualization Recommendation |
| 저자(Author) |
최희원
Hee-won Choi
김한준
Han-joon Kim
|
| 원문수록처(Citation) |
VOL 36 NO. 02 PP. 0069 ~ 0083 (2020. 08) |
한글내용
(Korean Abstract) |
본 논문은 특징공학을 이용한 자동 데이터 시각화 시스템의 실현 가능성을 확인하고, 시각화 추천 시스템의 기반이 되는 메타데이터(Metadata) 설계 과정을 소개한다. 자동 시각화 시스템을 구축하기에 앞서 주어진 입력데이터로부터 표현된 시각화 결과의 유의미성을 결정하는 메타성 특징 변수를 추출한다. 이 과정에서 판단이 애매모호한 막대그래프와 원그래프의 패턴을 학습하기 위한 메타특징을 제안한다. 또한, 자동 이산화 기법인 평균이동 군집화(Mean-shift clustering)를 제안함으로써 수치형 속성을 요약정보 시각화로 표현 가능하게 한다. 생성한 메타특징들의 중요도가 SHAP(SHapley Additive exPlanation)을 통해 평가되었으며, 48개의 메타특징 중에서 상위 5개의 중요 특징이 도출되었다. 또한, 우리는 평균이동 군집화를 적용하여 요약 데이터로 변환된 수치형 특징값들이 유의미한 시각화 결과로 생성됨을 보였다. 다양한 종류의 데이터를 활용한 실험을 통하여, 제안된 메타특징들을 가지고 의사결정나무와 랜덤포레스트 알고리즘을 통해 생성된 추천 모델이 가장 유의미한 시각화 결과를 생성하였다.
|
영문내용
(English Abstract) |
This paper shows the feasibility of an automated data visualization system using feature engineering and describes a meta-feature design process that is the basis of a visualization recommendation system. Before building the automated visualization system, the meta-features are extracted so that the visualization results from given input data can be reasonable. In this paper, we propose a set of meta-features that contribute to learn the ambiguous patterns of bar plots and pie plots. Also, we propose a way of using mean-shift clustering so that numerical features can be expressed as summary data for more reasonable visualization. The proposed meta-features was evaluated through SHAP (SHapley Additive exPlanation) in terms of feature importance of learned model, and significant top-5 features were identified among 48 meta-features. In addition, we showed that numeric feature values are converted into summary data by applying mean-shift clustering, and they are expressed into meaningful visualization results. Through experiments using various types of data, a visualization recommendation model generated through the decision tree and random forest algorithms generated the most meaningful visualization results.
|
| 키워드(Keyword) |
머신러닝
데이터 시각화
특징공학
메타데이터
평균이동 군집화
Machine Learning
Data visualization
Feature Engineering
Metadata
Mean-shift clusteri
|
| 파일첨부 |
PDF 다운로드
|
