VizML

Los sistemas de recomendación de visualización tienen como objetivo disminuir la barrera para explorar visualizaciones básicas mediante la generación automática de resultados que los analistas pueden buscar y seleccionar, en lugar de especificar manualmente. Aquí, demostramos un enfoque novedoso basado en aprendizaje automático para la recomendación de visualizaciones que aprende elecciones de diseño de visualización de un gran corpus de conjuntos de datos y visualizaciones asociadas. Primero, identificamos cinco elecciones clave de diseño realizadas por los analistas al crear visualizaciones, como seleccionar un tipo de visualización y optar por codificar una columna a lo largo del eje X o Y. Entrenamos modelos para predecir estas elecciones de diseño utilizando un millón de pares de conjunto de datos-visualización recogidos de una popular plataforma de visualización en línea. Las redes neuronales predicen estas elecciones de diseño con alta precisión en comparación con los modelos de referencia. Informamos e interpretamos las importancias de las características de uno de estos modelos de referencia. Para evaluar la generalizabilidad y la incertidumbre de nuestro enfoque, realizamos una evaluación con un conjunto de pruebas de crowdsourcing y mostramos que el rendimiento de nuestro modelo es comparable al rendimiento humano al predecir el tipo de visualización de consenso, y supera al de otros sistemas de recomendación de visualizaciones.