VISDMiner：一个交互式数据挖掘过程可视化系统

doi:10.3969/j.issn.1006-2475.2018.06.014

计算机与现代化

VISDMiner：一个交互式数据挖掘过程可视化系统

(1.贵州大学计算机科学与技术学院，贵州贵阳550025；2.贵州省先进计算与医疗信息服务
工程实验室，贵州贵阳550025；3.中国科学院国家天文台，北京100012)

收稿日期:2018-03-09 出版日期:2018-07-05 发布日期:2018-07-05
作者简介:王永胜(1988-)，男，河南南阳人,贵州大学计算机科学与技术学院、贵州省先进计算与医疗信息服务工程实验室硕士研究生，研究方向：数据挖掘；通信作者：李晖(1982-)，男，教授，博士，研究方向：大数据管理与分析，数据挖掘；陈梅（1964-），女，教授，研究方向：大数据管理与分析；戴震宇（1985-），男，实验师，硕士，研究方向：大数据管理与分析；朱明（1966-），男，中国科学院国家天文台研究员，研究方向：巡天大数据处理，射电天文学。
基金资助:
国家自然科学基金资助项目（61562010，61462012，U1531246）；贵州省教育厅自然科学基金资助项目（黔科合人才团队字［2015］53）；贵州省科技计划项目（黔科合人LH字［2016］7427）；贵州大学研究生创新基金（院级）资助项目（院创201704）

VISDMiner:AnInteractiveDataMiningProcessVisualizationSystem

(1.CollegeofComputerScienceandTechnology,GuizhouUniversity,Guiyang550025,China;
2.GuizhouEngineeringLabforACMIS,Guiyang550025,China;
3.NationalAstronomicalObservatories,ChineseAcademyofSciences,Beijing100012,China)

Received:2018-03-09 Online:2018-07-05 Published:2018-07-05

摘要/Abstract

摘要： 针对数据挖掘中挖掘过程不透明以及用户交互少的问题，本文设计并实现了VISDMiner系统。VISDMiner系统将可视化技术和数据挖掘技术结合在一起，提供对挖掘过程中各阶段产生的可视化子结果集的分析。用户可根据自己的领域知识和经验去调整数据挖掘算法模型的参数和可视化模型的参数，促进算法和挖掘分析过程的有效调优。为了处理高维数据集，VISDMiner系统采用一种基于最大信息系数的主成分分析改进算法MIC-PCA，该算法主要是针对传统PCA算法降维能力和分类准确率低的问题进行改进。实验结果表明,VISDMine不仅实现了数据挖掘过程的可视化，还提高了用户对数据挖掘〖JP2〗执行结果的可理解性，其采用的改进的MIC-PCA算法提高了PCA算法的降维能力和分类准确率。

关键词: 数据挖掘, 可视化技术, 交互性, 可视化数据挖掘, 特征选择, 主成分分析

Abstract: Inordertoaddresstheproblemthatthedataminingprocessoftentobenottransparentandlackofuserinteraction,wedesignandimplementtheVISDMinersystem.VISDMinercombinesthevisualizationtechnologyandthedataminingtechnologytoprovidethecapabilityofanalyzingandvisualizingpartialresultsofallstagesofminingprocess.Duringtheprocedures,userscantunetheparametersofdataminingalgorithmandvisualizationsaccordingtotheirdomainknowledgeandexperiencetoachievefurtherdataexploration.Inordertodealwithhigh-dimensionaldataset,VISDMinersystemusesanimprovedalgorithmMIC-PCAforprincipalcomponentanalysisbasedonthemaximuminformationcoefficient.ThealgorithmismainlyaimedatimprovingthedimensionalityreductionandclassificationaccuracyoftraditionalPCAalgorithms.TheexperimentalresultsshowthatVISDMinenotonlyrealizesthevisualizationofthedataminingprocess,butalsoimprovestheuser’sunderstandabilityofthedataminingresults,andtheMIC-PCAalgorithmalsoimprovesthedimensionalityreductionandclassificationaccuracyofPCAalgorithm.

Key words: datamining, visualizationtechnology, interactivity, visualdatamining, featureselection, PCA

中图分类号:

TP391.9

王永胜1,2，李晖1,2，陈梅1,2，戴震宇1,2，朱明3. VISDMiner：一个交互式数据挖掘过程可视化系统[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.06.014.

WANGYong-sheng1,2，LIHui1,2，CHENMei1,2，DAIZhen-yu1,2，ZHUMing3. VISDMiner:AnInteractiveDataMiningProcessVisualizationSystem[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.06.014.

参考文献［19］

［1］	Martínez-MartínezJM,Escandell-MonteroP,Soria-OlivasE,etal.Anewvisualizationtoolfordataminingtechniques［J］.ProgressinArtificialIntelligence,2016,5(2):137-154.
［2］	BoualiF,GuettalaA,VenturiniG.VizAssist:Aninteractiveuserassistantforvisualdatamining［J］.VisualComputer,2016,32(11):1447-1463.
［3］	KrzywickiA,WobckeW,BainM,etal.Dataminingforbuildingknowledgebases:Techniques,architecturesandapplications［J］.KnowledgeEngineeringReview,2016,31(2):97-123.
［4］	ChenHongmei,LiTianrui,LuoChuan,etal.Adecision-theoreticroughsetapproachfordynamicdatamining［J］.IEEETransactionsonFuzzySystems,2015,23(6):1958-1970.
［5］	马昱欣,曹震东,陈为.可视化驱动的交互式数据挖掘方法综述［J］.计算机辅助设计与图形学学报,2016,28(1):1-8.
［6］	BenSteichen,GiuseppeCarenini,CristinaConati.User-adaptiveinformationvisualization:Usingeyegazedatatoinfervisualizationtasksandusercognitiveabilities［C］//Proceedingsofthe2013InternationalConferenceonIntelligentUserInterfaces.2013:317-328.
［7］	〖JP〗周芳芳,李俊材,黄伟,等.基于维度扩展的Radviz可视化聚类分析方法［J］.软件学报,2016,27(5):1127-1139.〖JP〗
［8］	张红军.多维数据集中高维数据可视化算法研究［J］.微电子学与计算机,2017,34(5):110-113.
［9］	GoodwinS,DykesJ,JonesS,etal.Creativeuser-centeredvisualizationdesignforenergyanalystsandmodelers［J］.IEEETransactionsonVisualization&ComputerGraphics,2013,19(12):2516-2525.
［10］	汤颖,钟南江,孙康高,等.基于兴趣的社交网络用户聚类及可视化［J］.计算机科学,2017(s2):385-390.
［11］	NiedobaT.Multi-parameterdatavisualizationbymeansofprincipalcomponentanalysis(PCA)inqualitativeevaluationofvariouscoaltypes［J］.PhysicochemicalProblemsofMineralProcessing,2014,50(2):575-589.
［12］	XieShengkun,JinFeng,KrishnanS,etal.Signalfeatureextractionbymulti-scalePCAanditsapplicationtorespiratorysoundclassification［J］.Medical&BiologicalEngineering&Computing,2012,50(7):759-768.
［13］	ReshefYA,ReshefDN,FinucaneHK,etal.Measuringdependencepowerfullyandequitably［J］.JournalofMachineLearningResearch,2016,17(1):7406-7468.
［14］	范雪莉,冯海泓,原猛.基于互信息的主成分分析特征选择算法［J］.控制与决策,2013,28(6):915-919.
［15］	ReshefDN,ReshefYA,FinucaneHK,etal.Detectingnovelassociationsinlargedatasets［J］.Science,2011,334(6062):1518-1524.
［16］	ShimJE,LeeI.Weightedmutualinformationanalysissubstantiallyimprovesdomain-basedfunctionalnetworkmodels［J］.Bioinformatics,2016,32(18):2824-2830.
［17］	李玮瑶,赵凯.基于特征提取的网络热点事件挖掘算法［J］.计算机与现代化,2015(5):17-20.
［18］	JürgenBernard,MartinSteiger,SvenWidmer,etal.Visual-interactiveexplorationofinterestingmultivariaterelations〖JP4〗inmixedresearchdatasets［C］//Proceedingsofthe16thEurographicsConferenceonVisualization.2014:291-300.〖JP〗
［19］	孟海东,蔺志举,徐贯东.可视化数据挖掘工具的设计与实现［J］.计算机与现代化,2011(6):132-135.

[1]	张东方, 陈海燕, 袁立罡. S2R2:基于相关性与冗余性分析的半监督特征选择[J]. 计算机与现代化, 2021, 0(09): 113-120.
[2]	代继鹏, 邵峰晶, 孙仁诚. 基于改进CHI和TF-IDF的短文本分类的研究[J]. 计算机与现代化, 2021, 0(06): 6-11.
[3]	陈丝雨, 庄毅, 李静. 基于LSTM网络的移动云计算多元负载预测模型[J]. 计算机与现代化, 2021, 0(06): 74-85.
[4]	黄旭彬, 梁树杰. 基于PCA融合PSO-SVM的运动想象脑电信号分类方法[J]. 计算机与现代化, 2021, 0(03): 70-76.
[5]	杨秋良, 王钰, 杨杏丽, 李济洪. 基于互信息F统计量特征选择技术的地基气象云图分类[J]. 计算机与现代化, 2021, 0(02): 18-23.
[6]	黄欣辰, 皋军, 黄豪杰. 基于PCA降维的成对约束半监督聚类集成[J]. 计算机与现代化, 2021, 0(01): 94-99.
[7]	杨琳, 白钊, 寇勇刚. 基于RFM模型的随机森林算法对民航客户的流失分析[J]. 计算机与现代化, 2021, 0(01): 100-104.
[8]	李科心, 李静, 邵佳炜, 肖屹. 多层次序列集成的高维数值型异常检测[J]. 计算机与现代化, 2020, 0(06): 73-.
[9]	蒋万明1,2，郭春1,2，蒋朝惠1,2. 一种基于BiLSTM的低速率DDoS攻击检测方法[J]. 计算机与现代化, 2020, 0(05): 120-.
[10]	蒋毅,欧郁强,梁广,高杨,严永高,林捷,赵晓宁. 基于数据挖掘的现场作业风险态势评估方法[J]. 计算机与现代化, 2020, 0(04): 78-.
[11]	齐玉东1，丁海强1，赵锦超2，孙明玮1. 基于biRNN的海军军械不均衡文本数据集处理方法[J]. 计算机与现代化, 2019, 0(12): 21-.
[12]	刘树艺，李静，胡春，王伟. 基于卷积神经网络与集成学习的交通标志识别[J]. 计算机与现代化, 2019, 0(12): 67-.
[13]	彦逸，李波，陈守明，林强，黄巨涛，温柏坚. 一种面向反馈网络的因果特征选择算法及其应用[J]. 计算机与现代化, 2019, 0(12): 95-.
[14]	杨勤1,王偲羽2,熊文彬2 . 基于视听感官通道的交互性环境学习有效性研究[J]. 计算机与现代化, 2019, 0(11): 100-.
[15]	郭燚1，张卫山1，徐亮2，翟佳3. 基于微服务的石油大数据挖掘平台[J]. 计算机与现代化, 2019, 0(05): 25-.

VISDMiner：一个交互式数据挖掘过程可视化系统

VISDMiner:AnInteractiveDataMiningProcessVisualizationSystem

可视化

摘要/Abstract

引用本文

使用本文

参考文献［19］

相关文章 15

编辑推荐

Metrics

本文评价

VISDMiner：一个交互式数据挖掘过程可视化系统

VISDMiner:AnInteractiveDataMiningProcessVisualizationSystem

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［19］

相关文章 15

编辑推荐

Metrics

本文评价

参考文献［19］