标签存档: 矩阵可视化

网络可视化方法的比较评估 (Comparative Evaluation of Bipartite, Node-Link, and Matrix-Based Network Representations)

网络数据是日常生活中常见的数据类型,如社会网络、论文引用网络和生物网络。如图1所示,在网络可视化的方法中,节点-链接图(Node-link Diagram)和邻接矩阵(Ajacency Matrix)是最常用的。另一种二部图布局方法(Bipartite Layout)首先被用于二部图上,之后也被扩展到普通静态图的可视化,在二部图布局中,节点被复制并放置在两个平行轴上,再用边将他们连接起来。每种方法在网络上的不同任务中都有其优势和不足之处。来自斯图加特大学的Daniel Weiskopf等人[1]进行了一项用户研究,以评估这三种网络可视化方法,并给出了使用准则。

继续阅读 »

Neo: 一种支持层次结构标签和多输出标签的混淆矩阵可视化 (Neo: Generalizing Confusion Matrix Visualization to Hierarchical and Multi-Output Labels)

混淆矩阵是一种常见的可视化形式,它通过一个表格式的布局,对所有数据预测的标签与的实际标签进行比较,用于帮助人们评估机器学习模型。来自苹果公司的研究人员对机器学习领域学者进行调研,发现一般的混淆矩阵无法处理层次结构标签和多输出标签,因此他们设计了一个混淆矩阵代数,并提出了Neo[1],一种新型的支持层次结构标签和多输出标签的混淆矩阵可视化系统,允许从业者灵活地编写、互动和分享混淆矩阵。

继续阅读 »

图集合矩阵可视化的同步排序 (Simultaneous Matrix Orderings for Graph Collections)

矩阵可视化可以突出图数据中的局部结构。为了使这些结构表现为明显的视觉模式,人们提出了各种矩阵重排的方法来对矩阵的行和列进行适当排序。 但是,图数据可能不是孤立出现的,而是属于共享一组顶点的图集合的一部分。在这种情况下,已有的一种方法是选择一个图进行矩阵重排,然后推广到所有的图上;另一种方法是对所有图进行加权的合并,然后对合并后的图进行重排。然而这些方法都会损失信息,来自荷兰埃因霍芬理工大学的Beusekom等人 [1] 提出了一种考虑整个图集合的重排算法,如图1所示,可以同时对图集合中的所有图数据得到较好的矩阵重排结果。

继续阅读 »