TU Darmstadt / ULB / TUbiblio

Methoden zur Qualitätsbewertung von Selforganizing Maps zur Unterstützung des visuellen Analyseprozesses

Bernard, Jürgen (2009):
Methoden zur Qualitätsbewertung von Selforganizing Maps zur Unterstützung des visuellen Analyseprozesses.
Darmstadt, TU, Diplomarbeit, 2009, [Master Thesis]

Abstract

Der Self-organizing Maps Algorithmus (SOM) erfreut sich in der visuellen Clusteranalyse großer Beliebtheit. Hauptgründe hierfür sind seine topologieerhaltende Eigenschaft bei der Partitionierung von hochdimensionalen Datensätzen und die leichte Visualisierbarkeit von Ergebnissen aufgrund der SOM-Gitterstruktur. Seit ihrer Einführung, wurden SOMs in einer Vielzahl unterschiedlicher Data Mining Anwendungen verwendet. Einhergehend mit dem technischen Fortschritt von Computersystemen, haben sich die Visualisierungs- und Interaktionstechniken in der visuellen Clusteranalyse kontinuierlich verbessert. Maßgeblichen Anteil an dieser Entwicklung haben die Fachgebiete der Informationsvisualisierung und die aufstrebende Disziplin der Visual Analytics. In jüngster Zeit wurden zukunftsweisende, visuell-interaktive Repräsentierungen des SOM-Algorithmus zur Informationsbeschaffung aus komplexen Datensätzen vorgestellt. Ein aktueller Trend der Visual Analytics ist die visuell-interaktive Erschließung des gesamten Clusteranalyseprozesses, beginnend mit der Datenvorverarbeitung, bis hin zur Evaluierung von Clusteringergebnissen. Dies schließt auch die schrittweise Verbesserung der erreichten Clusteringqualität mit ein (Iterative Refinement). Die durch gesteigerte Einflussmöglichkeiten des Menschen vollzogene Distanzierung von vollautomatischen Clusteranalysetools, birgt enormes Potential bei der Exploration von Daten. In gleicher Weise gilt es jedoch, potentielle Schwierigkeiten neuartiger Clusteranalysetools zu berücksichtigen. Besondere Aufmerksamkeit bedarf es in diesem Zusammenhang der Bewertung und Visualisierung der erreichten SOM-Clusteringqualität, die durch erweiterte Möglichkeiten der Einflussnahme maßgeblich vom Anwender abhängig ist. Die Notwendigkeit von Werkzeugen zur visuellen Qualitätsbewertung erstreckt sich hierbei vom Prozessschritt des Iterative Refinements bis weit in die Postprocessingphase des Clusterings hinein. Das Ziel dieser Diplomarbeit besteht in der Entwicklung von Lösungsstrategien um den SOMClusteranalyseprozess mit visuellen Qualitätsbewertungsmethoden zu unterstützen. Umgesetzt werden die Ergebnisse im FinExplorer Framework, einer SOM-basierten Applikation zur visuellen Analyse von Finanzdaten, die um entsprechende Methoden zur visuellen Qualitätsbewertung erweitert wird. Neben der Integration bewährter Darstellungsformen, liegt der Schwerpunk dieser Arbeit in der Konzeption, der Umsetzung und der Evaluation neu entwickelter Visualisierungsformen. Der Umfang der Arbeit erstreckt sich dabei über die Erarbeitung von trainingsbegleitenden Qualitätsvisualisierungen, die Erschließung und Visualisierung von geeigneten statistischen Qualitätsindices, die verbesserte Einsicht auf die SOM-Struktur mit ihrem zugrundeliegenden Datensatz und schließlich auf die komparative Darstellung der SOM mit Ergebnissen aus anderen Clusteringalgorithmen.

Item Type: Master Thesis
Erschienen: 2009
Creators: Bernard, Jürgen
Title: Methoden zur Qualitätsbewertung von Selforganizing Maps zur Unterstützung des visuellen Analyseprozesses
Language: German
Abstract:

Der Self-organizing Maps Algorithmus (SOM) erfreut sich in der visuellen Clusteranalyse großer Beliebtheit. Hauptgründe hierfür sind seine topologieerhaltende Eigenschaft bei der Partitionierung von hochdimensionalen Datensätzen und die leichte Visualisierbarkeit von Ergebnissen aufgrund der SOM-Gitterstruktur. Seit ihrer Einführung, wurden SOMs in einer Vielzahl unterschiedlicher Data Mining Anwendungen verwendet. Einhergehend mit dem technischen Fortschritt von Computersystemen, haben sich die Visualisierungs- und Interaktionstechniken in der visuellen Clusteranalyse kontinuierlich verbessert. Maßgeblichen Anteil an dieser Entwicklung haben die Fachgebiete der Informationsvisualisierung und die aufstrebende Disziplin der Visual Analytics. In jüngster Zeit wurden zukunftsweisende, visuell-interaktive Repräsentierungen des SOM-Algorithmus zur Informationsbeschaffung aus komplexen Datensätzen vorgestellt. Ein aktueller Trend der Visual Analytics ist die visuell-interaktive Erschließung des gesamten Clusteranalyseprozesses, beginnend mit der Datenvorverarbeitung, bis hin zur Evaluierung von Clusteringergebnissen. Dies schließt auch die schrittweise Verbesserung der erreichten Clusteringqualität mit ein (Iterative Refinement). Die durch gesteigerte Einflussmöglichkeiten des Menschen vollzogene Distanzierung von vollautomatischen Clusteranalysetools, birgt enormes Potential bei der Exploration von Daten. In gleicher Weise gilt es jedoch, potentielle Schwierigkeiten neuartiger Clusteranalysetools zu berücksichtigen. Besondere Aufmerksamkeit bedarf es in diesem Zusammenhang der Bewertung und Visualisierung der erreichten SOM-Clusteringqualität, die durch erweiterte Möglichkeiten der Einflussnahme maßgeblich vom Anwender abhängig ist. Die Notwendigkeit von Werkzeugen zur visuellen Qualitätsbewertung erstreckt sich hierbei vom Prozessschritt des Iterative Refinements bis weit in die Postprocessingphase des Clusterings hinein. Das Ziel dieser Diplomarbeit besteht in der Entwicklung von Lösungsstrategien um den SOMClusteranalyseprozess mit visuellen Qualitätsbewertungsmethoden zu unterstützen. Umgesetzt werden die Ergebnisse im FinExplorer Framework, einer SOM-basierten Applikation zur visuellen Analyse von Finanzdaten, die um entsprechende Methoden zur visuellen Qualitätsbewertung erweitert wird. Neben der Integration bewährter Darstellungsformen, liegt der Schwerpunk dieser Arbeit in der Konzeption, der Umsetzung und der Evaluation neu entwickelter Visualisierungsformen. Der Umfang der Arbeit erstreckt sich dabei über die Erarbeitung von trainingsbegleitenden Qualitätsvisualisierungen, die Erschließung und Visualisierung von geeigneten statistischen Qualitätsindices, die verbesserte Einsicht auf die SOM-Struktur mit ihrem zugrundeliegenden Datensatz und schließlich auf die komparative Darstellung der SOM mit Ergebnissen aus anderen Clusteringalgorithmen.

Uncontrolled Keywords: Forschungsgruppe Visual Search and Analysis (VISA), Self-organizing maps (SOM), Visual analytics, Information visualization, Quality measurements, Cluster analysis
Divisions: 20 Department of Computer Science
20 Department of Computer Science > Interactive Graphics Systems
Date Deposited: 12 Nov 2018 11:16
Additional Information:

93 S.

Export:
Suche nach Titel in: TUfind oder in Google

Optionen (nur für Redakteure)

View Item View Item