Utilisation%20de%20points%20d

1
Utilisation de points dintérêt pour la
classificationinteractive de données

• David Da Costa Gilles Venturini
• Laboratoire dInformatique, Université
  François-Rabelais de Tours,
• Polytech' Tours (Département Informatique)
• Agicom, Institut dEtudes et de Marketing, Blois

2
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

3
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

4
Problème (1)

• Données denquête questionnaire de satisfaction
• Attributs questions, données réponses
  individu
• Comprendre la population
• Expert ? Recherche dinformations et de
  connaissances
• But classification des données numériques ou
  symboliques permettant à un utilisateur expert du
  domaine dobtenir des informations pertinentes.

5
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

6
Survol des méthodes visuelles à base de POIs (1)

• Principe
• positionner sur une surface, quelques icônes
  (POIs) relatifs aux attributs des données
• afficher les icônes des données à des positions
  déterminées par leur distance entre les POIs et
  les données
• Exemple
• affichage de documents issus dun moteur de
  recherche (facilite la navigation)
• POIs les mots clés
• Données les documents

7
Survol des méthodes visuelles à base de POIs (2)

• En 2D
• Radial Au et al., 2000
• SQWID McCrickard et Kehoe, 1997

8
Survol des méthodes visuelles à base de POIs (3)

• En 2D
• Système VIBE Korfhage, 1991
• VIBE simplifié Morse et al., 2002
• Radviz Hoffman et al., 1999

9
Survol des méthodes visuelles à base de POIs (4)

• En 3D
• Lyberworld
• Hemmje et al., 1994
• (sphère de pertinence)

10
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

11
Méthodologie (1)

• n données D1, ..., Dn
• Sim matrice de similarité entre ces données
• Sim(i,j) similarité entre Di et Dj

• k points dintérêts(POIs) D1, ..., Dk
• n k données restantes
• (XDi,YDi) coordonnées de la donnée Di

12
Méthodologie (2)

• Calcul des coordonnées des données restantes

• Calcul des poids wj

13
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

14
Propriétés de la visualisation

• Représentation 2D dun espace de similarité
  (données similaires ? données proches en 2D)
• Si Di est identiquement similaire à lensemble
  des POIs alors Di sera affichée au milieu du
  cercle.
• Choix des POIs
• Données Supervisées autant de POIs que de
  classes
• Données Non Supervisées k POIs au minimum 3
• Ordre des POIs
• Par rapport à leur similarité
• Aléatoirement
• Un POI une donnée ou des connaissances/hypothèse
  s
• Combinaison dattributs
• Données idéales ou cible (objectifs)

15
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

16
Interaction avec la visualisation
17
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

18
Applications et Résultats Obtenus (1)

• Illustration du linterface

19
Applications et Résultats Obtenus (2)

• Bases artificielles, classiques et réelles
• Artificielles Monmarché 2000
• Machine Learning Repository (http//www.ics.uci.ed
  u/mlearn/MLRepository.html)

Nom Type Dimensions Nombre de Classes Nombre de données
Art1 artificielle 2 4 400
Art2 artificielle 2 2 1000
Art6 artificielle 2 4 400
Iris classique 4 3 150
Wine classique 12 3 178
20
Applications et Résultats Obtenus (3)

• Initialisation et interactivité des données

21
Applications et Résultats Obtenus (4)

• Sélection et étiquettage des données

22
Applications et Résultats Obtenus (5)

• Performance des résultats

Classe 1 Classe 2 Classe 3
Iris 50 50 50
Iris Clustering 50 77 23
trouvé 100 100 46
erreur 0 54 0
23
Applications et Résultats Obtenus (6)

• Classification Supervisée

Machine Learning Repository Forest CoverType
data 581 012 attributs 54 classes 7
temps 91 sec.
24
Applications et Résultats Obtenus (7)

• Classification Supervisée

GenFile 1000000 data 1 000 000
attributs 10 classes 5 temps 49 sec.
25
Plan de lexposé

1. Problème
2. Survol des méthodes visuelles à base de points
   dintérêts (POI)
3. Méthodologie
4. Propriétés de la visualisation
5. Interaction avec la visualisation
6. Applications et Résultats Obtenus
7. Conclusion
8. Perspectives

26
Conclusion

• Transformer un base de données (matrice de
  similarité) en une représentation visuelle 2D de
  ces similarités
• Rapidité daffichage
• Présentation intuitive des données
• Apprentissage plutôt rapide des capacités
  interactives pour la classification

27
Perspectives

• Gérer un plus grand volume de données (une donnée
  1 pixel, au-delà de 1 000 000 données ?)
• Visualisation de connaissances
• Visualisation dune classification floue
• Nouvelle mesure de similarité
• Présenter une étude comparative (classification
  interactive, critères)
• 3D

28
Merci de votre attention