Unterstützung der visuellen Analyse hochdimensionaler Daten durch klassenbasierte Projektionsgütemaße

Zunehmende Dimensionalität und anwachsendes Datenvolumen erfordern effektive Explorationstechniken, um dem Benutzer Einblicke in Muster in den Daten zu ermöglichen. Bei der visuellen Analyse müssen dabei hochdimensionale Daten auf niedrigdimensionale Sichten projiziert werden. Es gibt verschiedene Ansätze um niedrigdimensionale Darstellungen aus hochdimensionalen Daten zu erzeugen und diese zu bewerten. In dieser Arbeit werden Verfahren vorgestellt um gute Projektionen hochdimensionaler Daten zu erhalten. Es werden dazu Konzepte präsentiert um lineare und nichtlineare Projektionen zu finden, die an realen Daten getestet werden. Kern der Arbeit ist dabei mit Hilfe von achsenparallelen und nicht-achsenparallelen Projektionen Dimensionen und Unterräume der Daten zu finden, die die Datenstruktur am besten darstellen. Zur Bewertung der Projektionen werden Projektionsgütemaße vorgestellt, welche im Gegensatz zu existierenden Verfahren die Dichteverteilung der Daten berücksichtigen. Vorteil dieser Methode ist es, dass nicht nur Beziehungen zwischen zwei Dimensionen, sondern auch zwischen mehreren Dimensionen gefunden werden.