Ny software, Hyperværktøjer, transformerer komplekse data til visualiserbare former

Hvert datasæt i det observerbare univers har en grundlæggende geometri eller form, men den struktur kan være meget kompliceret. For at gøre det nemmere at visualisere komplicerede datasæt, et forskerhold fra Dartmouth har skabt HyperTools – en open source-softwarepakke, der udnytter en række matematiske teknikker til at opnå intuitioner om højdimensionelle datasæt gennem de underliggende geometriske strukturer, de afspejler. Resultaterne er offentliggjort i Journal of Machine Learning Research .

HyperTools kan bruges til at transformere data til visualiserbare former eller animationer, som kan bruges til at:sammenligne forskellige datasæt, få indsigt i underliggende mønstre på en intuitiv måde, foretage generaliseringer på tværs af datasæt, og udvikle og teste teorier vedrørende Big Data.

"De datasæt, vi står over for som moderne videnskabsmænd, kan være enormt komplekse, ofte afspejler mange interagerende komponenter, " forklarer senior forfatter, Jeremy R. Manning, en assisterende professor i psykologi og hjernevidenskab og direktør for Contextual Dynamics Lab i Dartmouth. "Vores værktøj forvandler komplekse data til intuitive 3D-former, der visuelt kan undersøges og sammenlignes. vi udnytter det visuelle systems fantastiske evne til at finde mønstre i verden omkring os til også at finde mønstre i komplekse videnskabelige data."

Forskerne demonstrerer, hvordan HyperTools kan anvendes på forskellige typer data. I avisen, de viser visualiseringer af:hjerneaktivitet, filmframes og hjernereaktioner på at se disse frames; ændringer i temperaturmålinger over Jordens overflade fra 1875 til 2013; og det tematiske indhold af politiske tweets udstedt af Hillary Clinton og Donald Trump under den amerikanske præsidentkampagne i 2016.

Ud over at bruge HyperTools til direkte at forstå den geometriske struktur af data, den indsigt, som værktøjet afslører, kan også bruges til at guide udviklingen af ​​maskinlæringsalgoritmer. For eksempel, datavisualiseringerne kan afsløre, hvordan forskellige typer observationer danner strukturerede distinkte klynger (f.eks. Trump-tweets vs. Clinton-tweets), der kunne bruges til at forstå lighederne og forskellene mellem grupper.

Som en del af HyperTools værktøjskassen, Mannings laboratorium fortsætter med at udvikle og frigive andre typer geometriske visualiseringsanalyser, herunder de nyligt lancerede tekstanalyser.