Explainable matrix: visualization for global and local interpretability of random forest classification ensembles (2021)
- Authors:
- USP affiliated authors: PAULOVICH, FERNANDO VIEIRA - ICMC ; POPOLIN NETO, MÁRIO - ICMC
- Unidade: ICMC
- DOI: 10.1109/TVCG.2020.3030354
- Subjects: VISUALIZAÇÃO; APRENDIZADO COMPUTACIONAL
- Keywords: Random forest visualization; logic rules visualization; classification model interpretability; explainable artificial intelligence
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Los Alamitos
- Date published: 2021
- Source:
- Título: IEEE Transactions on Visualization and Computer Graphics
- ISSN: 1077-2626
- Volume/Número/Paginação/Ano: v. 27, n. 2, p. 1427-1437, Feb. 2021
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
ABNT
POPOLIN NETO, Mário e PAULOVICH, Fernando Vieira. Explainable matrix: visualization for global and local interpretability of random forest classification ensembles. IEEE Transactions on Visualization and Computer Graphics, v. 27, n. 2, p. 1427-1437, 2021Tradução . . Disponível em: https://doi.org/10.1109/TVCG.2020.3030354. Acesso em: 01 abr. 2026. -
APA
Popolin Neto, M., & Paulovich, F. V. (2021). Explainable matrix: visualization for global and local interpretability of random forest classification ensembles. IEEE Transactions on Visualization and Computer Graphics, 27( 2), 1427-1437. doi:10.1109/TVCG.2020.3030354 -
NLM
Popolin Neto M, Paulovich FV. Explainable matrix: visualization for global and local interpretability of random forest classification ensembles [Internet]. IEEE Transactions on Visualization and Computer Graphics. 2021 ; 27( 2): 1427-1437.[citado 2026 abr. 01 ] Available from: https://doi.org/10.1109/TVCG.2020.3030354 -
Vancouver
Popolin Neto M, Paulovich FV. Explainable matrix: visualization for global and local interpretability of random forest classification ensembles [Internet]. IEEE Transactions on Visualization and Computer Graphics. 2021 ; 27( 2): 1427-1437.[citado 2026 abr. 01 ] Available from: https://doi.org/10.1109/TVCG.2020.3030354 - Machine learning used to create a multidimensional calibration space for sensing and biosensing data
- Random Forest interpretability - explaining classification models and multivariate data through logic rules visualizations
- Random forest similarity maps: a scalable visual representation for global and local interpretation
- Detection of Staphylococcus aureus in milk samples using impedance spectroscopy and data processing with information visualization techniques and multidimensional calibration space
- Microfluidic E-tongue to diagnose bovine mastitis with milk samples using machine learning with decision tree models
- Projection-based visualization of dynamical processes on networks
- Análise visual utilizando projeções multidimensionais
- Explaining three-dimensional dimensionality reduction plots
- The shape of the game
- Nmap: a novel neighborhood preservation space-filling algorithm
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3049070.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
