时间： 2017年12月06日 19：00
地点： 基础教学楼B座318实验室
研读成员： 朱禹、彭第
研读文章： IEEE VIS 2017
-
朱禹
《Towards a Systematic Combination of Dimension Reduction and Clustering in Visual Analytics》
推荐理由：降维算法和聚类算法是可视化分析中常用的技术，两个算法都帮助分析人员执行有关观察和查找数据集中的相似组的任务。然后，这两种算法的组合通常是临时或断开的, 独立工作, 而不是集成某种程度的相互依存。在可视化系统中同时使用降维和聚类算法时, 必须解决许多设计决策, 包括每个算法的选择、它们的处理顺序以及如何呈现和交互与由此产生的投影。论文综述了将降维和聚类结合成一个可视化系统。 -
彭第
《Clustervision: Visual Supervision of Unsupervised Clustering》
推荐理由：这是一篇结合了机器学习与可视化两个领域的论文，来自VAST 2017。聚类作为一种常见的无监督机器学习方法，是将类似的项目组合成不同的分区的过程，可以用于汇总和聚合复杂的多维数据。由于数据可以以多种方式聚类，并且存在大量的算法来揭示不同的模式。但在实践中，数据科学家很难选择和参数化算法来获得与数据集和分析任务相关的聚类结果。Clustervision正是为了解决这个问题而诞生的。这个可视化分析工具，可以帮助数据科学家在大量的技术和参数中找到合适的集群。系统使用各种聚类技术和参数对数据进行聚类，然后利用5个质量指标对聚类结果进行分类。此外，用户还可以通过提供与任务相关的数据约束来指导系统生成更相关的结果。系统的可视化界面允许用户找到高质量的聚类结果，使用几个协调的可视化技术来探索聚类，并选择最适合他们任务的集群结果。