Orientadores: Celmar Guimarães da Silva, Luiz Camolesi Júnior

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia

Resumo: Algoritmos de reordenação são importantes para analise de dados matriciais, pois encontram automaticamente permutações de linhas e colunas que agrupam valores semelhantes em uma matriz, visando facilitar a busca visual por padrões e tendências nos dados. Alem disso, esses algoritmos tendem a...

Resumo: Algoritmos de reordenação são importantes para analise de dados matriciais, pois encontram automaticamente permutações de linhas e colunas que agrupam valores semelhantes em uma matriz, visando facilitar a busca visual por padrões e tendências nos dados. Alem disso, esses algoritmos tendem a reduzir a sobrecarga cognitiva do usuário, tendo em vista que, diferentemente das abordagens anteriores a seriação, o usuário não precisa permutar manualmente linhas e colunas para encontrar padrões. Entre os algoritmos de reordenação de matrizes pesquisados, destaca-se o PQR-Sort, por sua natureza não-heuristica e baixa complexidade assintótica de tempo de execução. Com base nesse algoritmo, este trabalho objetiva produzir versões aprimoradas do PQR-Sort visando melhorar a qualidade das matrizes por ele reordenadas (medida por funções de avaliação). Como principais resultados, foram criados dois novos algoritmos, PQR-Sort with Sorted Restrictions e PQR-Sort + BC, cujos resultados são melhores que os do algoritmo PQR-Sort de acordo com funções de avaliação de caráter local e global, respectivamente. O trabalho apresenta ainda um estudo de caso sobre a aplicação dos algoritmos propostos a um conjunto de dados real

Abstract: Reordering algorithms are important in matrix data analysis, because they automatically find row and column permutations that group similar data in a table, in order to ease finding patterns and trends in the data. Furthermore, these algorithms tend to reduce the user's cognitive overload,...

Abstract: Reordering algorithms are important in matrix data analysis, because they automatically find row and column permutations that group similar data in a table, in order to ease finding patterns and trends in the data. Furthermore, these algorithms tend to reduce the user's cognitive overload, since, unlike previous reordering approaches, users don't need to swap rows and columns manually in order to find patterns. Within the surveyed reordering algorithms, PQR-Sort stands out because of its nonheuristic nature and low asymptotic time complexity. Based on this algorithm, this work aims to produce enhanced versions of PQR-Sort in order to improve the quality of the reordered matrix (measured by evaluators). Among its main results is the creation of two new algorithms: PQRSort with sorted Restrictions and PQR-Sort + BC, which perform better than PQR-Sort according to local e global evaluators, respectively. This work also presents a study case about the proposed algorithms' application in a real dataset