Predictive Visual Analytics

The State-of-the-Art in Predictive Visual Analytics
Yafeng Lu, Rolando Garcia, Brett Hansen, Michael Gleicher, and Ross Maciejewski
Vinícius M. de Sousa1
1vinisousa04@gmail.com
Programa de Pós-Graduação em Ciência da Informação - UFSC
Florianópolis/SC
Sexta Feira, 5 de Abril de 2019
Vinícius M. de Sousa (PGCIn/UFSC) Big Data e Web Semântica Sexta Feira, 5 de Abril de 2019 1 / 34

Introdução PVA Pipeline Interações no PVA Considerações Finais
Sumário
1 Introdução
Contextualização
Predictive Analytics
Predictive Visual Analytics (PVA)
2 PVA Pipeline
Objetivos
Exemplos por Etapa
3 Interações no PVA
Tipos de Interação
Exemplos por Tipo de Interação
4 Considerações Finais
Discussão e Direções de PVA
Q & A e Contato
Bibliograﬁa

Sumário
1 Introdução
Contextualização
2 PVA Pipeline
Objetivos
Exemplos por Etapa
Q & A e Contato
Bibliograﬁa

Contextualização
Referência - [LGH+17]
FIGURE 1 – Fonte : https://onlinelibrary.wiley.com/doi/full/10.1111/cgf.13210

Contextualização
Prática de identiﬁcar padrões, utilizando dados, para predizer resultados e
tendências futuras;

Contextualização
Avanços da computação resultaram em um cenário em que a capacidade de
analisar dados é inferior à capacidade de analisá-los;

Contextualização
Resultado? Modelos de alta acurácia com pouca interpretabilidade;

Contextualização
Resultado? Modelos de alta acurácia com pouca interpretabilidade;
Percebeu-se que tais modelos podem apresentar consequências não desejáveis,
como por exemplo...

Contextualização
Google Flu Trends
FIGURE 2 – Fonte : [LKKV14]

Contextualização
Predictive Visual Analytics
Neste contexto surgiu o Predictive Visual Analytics, para auxiliar na tarefa de interagir
com os modelos de predição.

Predictive Analytics - O que é
1 Predictive : Identiﬁcar padrões nos dados que auxiliam a predizer resultados e
tendências;

tendências;
2 Analytics
Descritiva : O que aconteceu e qual é o estado do sistema;
Prescritiva : Auxilia na tomada de decisão em relação ao sistema;
Preditiva : Modelar o futuro com base nos dados disponíveis.

tendências;
2 Analytics
Descritiva : O que aconteceu e qual é o estado do sistema;
Prescritiva : Auxilia na tomada de decisão em relação ao sistema;
Preditiva : Modelar o futuro com base nos dados disponíveis.
3 Técnicas
Regressão : Como alteração nos prediores afetam a variável alvo;
Classificação : Identificar categorias, com categorias conhecidas;
Clusterização : Identificar categorias, quando não há categorias conhecidas.

Etapas
Predictive Analytics são as seguintes etapas :
1 Peparação dos dados;
2 Seleção das variáveis;
3 Modelagem dos algoritmos e modelos;
4 Exploração de resultados e seleção de modelo;
5 Validação.

Predictive Visual Analytics (PVA) - Objetivo e Condições
Objetivo
Métodos e técnicas que ajudem em qualquer etapa de Predictive Analytics
Condições
Foco em predição (não exploração e exploração);
Suportar interação com usuário em pelo menos uma das etadas de Predictive
Analytics ;
Permitir que o analista aumente a acurária da predição ou seu conhecimento do
funcionamento do modelo.

Metodologia
6.144 papers de Journals de visualização
Palavras Chave
==========⇒
Titulo ou Abstract
580 papers
Leitura e
===========⇒
Flag de Relevancia
72 papers.
FIGURE 3 – Fonte : [LGH+
17]

Metodologia
Os 72 papers foram lidos e classiﬁcados de acordo com três aspectos
17]

Sumário
1 Introdução
Contextualização
2 PVA Pipeline
Objetivos
Exemplos por Etapa
Q & A e Contato
Bibliograﬁa

Objetivos
Objetivos de PA vs. Objetivos de PVA
17]

Exemplos por Etapa
Pré-Processamento
Objetvo : Entender e preparar os dados.
FIGURE 6 – Fonte : https://vimeo.com/136535362

Exemplos por Etapa
Engenharia de Variáveis
Objetivo : Geração de variáveis e seleção de variáveis.
FIGURE 7 – Retirado de [LGH+
17]

Exemplos por Etapa
Modelagem
Objetivo :
Regressão : exploração de subsets,
modificação no dataset de treino,
ajuste de parâmetros dos modelos e
alteração entre variáveis alvo do
modelo;
Clusterização : manipulação,
exploração e avaliação de clusters;
Classificação : permitir que o usuário
classifique dados de treino e ajuda a
montar árvores de decisão para
estimar os modelos.
17]

Exemplos por Etapa
Exploração e Seleção do Modelo
Objetivo : explorar os resultados e comparar modelos (quando há mais de um no
ﬁnal).
FIGURE 9 – Fonte : Link do paper

Exemplos por Etapa
Validação
Observações :
1 Etapa com menos opções;
2 Relacionadas a visualização de medidas tradicionais de qualidade (R2, ROC,
ACF).

Sumário
1 Introdução
Contextualização
2 PVA Pipeline
Objetivos
Exemplos por Etapa
Q & A e Contato
Bibliograﬁa

Os papers também foram classificados de acordo com o tipo de interação com o
usuário :
1 Selecionar;
2 Explorar;
3 Reconfigurar;
4 Codificar (encode);
5 Abstrair/Elaborar (Abstract/Elaborate);
6 Filtrar;
7 Connectar;
8 Pastor (Shepherd).

Selecionar (select)
Objetivo : Selecionar items/observações para que o usuário possa ver mais
facilmente.
FIGURE 10 – Fonte : https://onlinelibrary.wiley.com/doi/full/10.1111/cgf.12630

Explorar (Browse)
Objetivo : Descobrir novas observações.
17]

Reconﬁgurar (reconﬁgure)
Objetivo : Reorganização do espaço visual.
17]

Codiﬁcar (Encode)
Objetivo : alterar a representação dos dados (e.g. mudar o número de dimensões,
adicionar cores, etc.)
17]

Filtrar (Query)
Objetivo : Selecionar observações de acordo com condições especiﬁcadas pelo
usuário.
Observação : Assim como Explorar, essa etapa altera o subset dos dados
utilizados. Porém, aqui as condições que se quer ﬁltrar é conhecida peo usuário.

Abstrair/Elaborar (Abstract/Elaborate)
Objetivo : Alterar a granularidade dos dados;
17]

Conectar (Connect)
Objetivo : Destacar relações entre observações e/ou destacar diferentes atributas de
uma observação seleionada pelo usuário.
FIGURE 15 – Fonte : https://nancao.org/pubs/cao_infovis11_paper.pdf

Pastor (Shepherd)
Objetivo : Permitir que o usuário guie o processo de modelagem.
17]

Sumário
1 Introdução
Contextualização
2 PVA Pipeline
Objetivos
Exemplos por Etapa
Q & A e Contato
Bibliograﬁa

Discussão
FIGURE 17 – (a) Frequência de co-ocorrência dos aspectos na classiﬁcação dos autores. (b) Correlação estre os
aspectos classiﬁcados pelos autores. [LGH+
17]

Direções
1 Integrar conhecimento do usuário;
2 Escalar para quantidade de dados maiores e modelos mais complexos;
3 Melhor suporte para validação dos modelos;
4 Melhorar experiência do usuário.

Q & A e Contato
Q & A e Contato
Link do Linkedin
E-mail : vinisousa04@gmail.com

Bibliograﬁa
Yafeng Lu, Rolando Garcia, Brett Hansen, Michael Gleicher, and Ross
Maciejewski, The state-of-the-art in predictive visual analytics, Computer
Graphics Forum, vol. 36, Wiley Online Library, 2017, pp. 539–562.
David Lazer, Ryan Kennedy, Gary King, and Alessandro Vespignani, The parable
of google ﬂu : traps in big data analysis, Science 343 (2014), no. 6176,
1203–1205.

Predictive Visual Analytics

Recommended

Recommended

More Related Content

Similar to Predictive Visual Analytics

Similar to Predictive Visual Analytics (20)

Predictive Visual Analytics