지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김한준
- 발행연도
- 2020
- 저작권
- 서울시립대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문은 특징공학을 이용한 자동 데이터 시각화 시스템의 실현 가능성을 확인하고, 시각화 추천 시스템의 기반이 되는 메타데이터 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 메타 특징을 제안한다. 또한, 자동 이산화 기법인 평균이동 군집화를 제안함으로써 수치형 속성을 요약정보 시각화로 표현 가능하게 한다. 생성한 메타 특징 변수는 SHAP(SHapley Additive exPlanation)을 통해 특징 중요도(Feature importance)를 확인하였으며, 48개의 특징 중 상위 5개 안에 속하는 중요 특징으로 선택되었다. 평균이동 군집화가 적용된 수치형 변수는 실제 요약정보 시각화로 나타냈을 때, 유의미한 해석이 가능함을 보였다. 이를 바탕으로 설계된 메타데이터는 머신러닝 기반의 분류(추천) 알고리즘을 통해 시각화 유형에 따라 의사결정나무와 랜덤포레스트에서 높은 분류 성능을 나타낸 것을 확인하였다.
목차
목 차목 차 ⅰ그림목차 ⅱ표 목 차 ⅲ제 1 장 데이터 시각화 추천 1제 1 절 연구 동기 1제 2 절 연구 내용 2제 3 절 논문의 구성 3제 2 장 관련 연구 4제 1 절 시각화 방법론 4제 2 절 머신러닝 기반 시각화 추천 시스템 6제 3 장 메타 특징공학 8제 1 절 메타데이터 구성 8제 2 절 시각화 유형별 특징 중요도 13제 4 장 제안 방법 17제 1 절 평균이동 군집화 17제 2 절 평균이동 군집화를 응용한 요약정보 시각화 20제 5 장 실험 방법 및 결과 23제 1절 실험 환경 23제 2절 실험 방법 25제 3절 실험 결과 29제 6 장 결 론 31참고문헌 32부 록 34A. 데이터 시각화 추천 시스템 34B. 데이터 시각화 추천 프로세스 34Abstract 36감사의 글 37그 림 목 차그림 3.1 좋은 시각화 (a)막대그래프와 (b)원그래프 12그림 3.2 좋은 시각화 (a)막대그래프와 나쁜 시각화 (b)원그래프 12그림 3.3 SHAP을 이용한 시각화 유형별 특징 중요도 15그림 4.1 평균이동 군집화 알고리즘 의사코드 19그림 4.2 수치형 변수로 나타낸 막대그래프 21그림 4.3 평균이동 군집화를 적용하여 나타낸 막대그래프 21그림 4.4 평균이동 군집화를 적용하여 나타낸 원그래프 22그림 5.1 데이터 시각화 유형별 좋은 예 27그림 5.2 머신러닝 기반 시각화 분류(추천) 아키텍처 28그림 5.3 머신러닝 기반 시각화 분류(추천) 과정 의사코드 28그림 5.4 의사결정나무와 랜덤포레스트 알고리즘의 성능 비교 30그림 A.1 데이터 시각화 추천 시스템 UI 35표 목 차표 2.1 데이터 속성 및 목적에 따른 일변량 시각화의 종류 5표 2.2 데이터 속성 및 목적에 따른 이변량 시각화의 종류 5표 2.3 머신러닝 기반 시각화 추천시스템 비교 7표 3.1 특징공학을 이용한 메타데이터 구성 11표 3.2 SHAP을 이용한 시각화 유형별 상위 5개의 특징 중요도 16표 5.1 데이터셋 출처 23표 5.2 다양한 도메인을 포함한 35개 공공 데이터셋 24표 5.3 시각화 유형별 3가지 분류 알고리즘의 분류 성능 비교 30
최근 본 자료
댓글(0)
0