Random forest similarity maps: a scalable visual representation for global and local interpretation (2021)
- Authors:
- Autor USP: POPOLIN NETO, MÁRIO - ICMC
- Unidade: ICMC
- DOI: 10.3390/electronics10222862
- Subjects: VISUALIZAÇÃO; APRENDIZADO COMPUTACIONAL
- Keywords: Random Forest; classification model visualization; explainable artificial intelligence (XAI); dimensionality reduction
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: Electronics
- ISSN: 2079-9292
- Volume/Número/Paginação/Ano: v. 10, p. 1-20, 2021
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MAZUMDAR, Dipankar e POPOLIN NETO, Mário e PAULOVICH, Fernando Vieira. Random forest similarity maps: a scalable visual representation for global and local interpretation. Electronics, v. 10, p. 1-20, 2021Tradução . . Disponível em: https://doi.org/10.3390/electronics10222862. Acesso em: 02 abr. 2026. -
APA
Mazumdar, D., Popolin Neto, M., & Paulovich, F. V. (2021). Random forest similarity maps: a scalable visual representation for global and local interpretation. Electronics, 10, 1-20. doi:10.3390/electronics10222862 -
NLM
Mazumdar D, Popolin Neto M, Paulovich FV. Random forest similarity maps: a scalable visual representation for global and local interpretation [Internet]. Electronics. 2021 ; 10 1-20.[citado 2026 abr. 02 ] Available from: https://doi.org/10.3390/electronics10222862 -
Vancouver
Mazumdar D, Popolin Neto M, Paulovich FV. Random forest similarity maps: a scalable visual representation for global and local interpretation [Internet]. Electronics. 2021 ; 10 1-20.[citado 2026 abr. 02 ] Available from: https://doi.org/10.3390/electronics10222862 - Random Forest interpretability - explaining classification models and multivariate data through logic rules visualizations
- Explainable matrix: visualization for global and local interpretability of random forest classification ensembles
- Investigating band gap directness using machine learning
- Multidimensional calibration spaces in Staphylococcus Aureus detection using chitosan-based genosensors and electronic tongue
- Explainable machine learning to unveil detection mechanisms with au nanoisland-based surface-enhanced raman scattering for SARS-CoV-2 antigen detection
- Learning from machine learning: the case of band-gap directness in semiconductors
- Direct detection of SARS-CoV-2 antigen based on surface-enhanced Raman scattering (SERS) using machine learning
- Machine learning used to create a multidimensional calibration space for sensing and biosensing data
- 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
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 | |
|---|---|---|---|
 |
3052560.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
