Existem duas formas para representar os resultados de um problema: a gráfica e a não gráfica. Informações de pequeno porte são mais fáceis de serem absorvidas; porém, quando envolvem grandes volumes tornam-se difíceis de serem compreendi- das, situação essa que pode agravar quando sua disponibilidade é apenas em forma- to textual (DIAS; CARVALHO, 2007).
Informações representadas graficamente tendem a ser processadas de maneira mais automática pela visão, em um decurso mais superficial, rápido e de capacidade elevada. Dessa forma, representar graficamente os dados a serem analisados é inte- ressante do ponto de vista da obtenção de informação, pois faz com que, não apenas mecanismos computacionais sejam usados para a análise de dados, mas, também, recursos da visão e da cognição humana (SILVA, 2007).
São várias as maneiras de se representar uma informação graficamente e a área de visualização de informações possui diversas técnicas que podem ser utiliza- das individualmente ou combinadas. As chamadas técnicas de visualização procu- ram otimizar a capacidade visual do ser humano facilitando o processo de entendi- mento do conhecimento a partir das estruturas apresentadas.
Existem muitas técnicas de visualização de informações. As técnicas mais uti- lizadas estão divididas em quatro categorias: geométricas, orientadas a pixel, icono- gráficas e hierárquicas (OLIVEIRA NETO, 2008).
Todas estas técnicas não precisam ser utilizadas isoladas uma das outras, po- derá haver situações onde a união de características de cada categoria de visuali- zação seja necessária, para aplicação em uma visualização, de forma a aumentar a captação de conhecimento da informação que está sendo alvo de análise.
Adicionalmente, para que haja melhor exploração visual, são disponibilizadas funções aos usuários, as quais possibilitam que sejam alteradas as representações de acordo com suas necessidades. Essas funções podem ser referenciadas como ope- rações de interação ou distorção na visualização de informação e utilizadas em dife- rentes níveis de ação, como mostrar apenas a região de interesse, selecionada pelo usuário, como também, expandir ou reduzir a quantidade de informações a serem exibidas (ESTIVALET, 2000; PERNOMIAN, 2008).
METODOLOGIA
Este estudo foi desenvolvido ao longo de quatro fases: Escolher a ferramenta e as técnicas de mineração, Analisar as técnicas de mineração, Analisar as técnicas de visualização e Correlacionar as técnicas de mineração e de visualização.
A primeira etapa, Escolher a ferramenta e as técnicas de mineração, consiste em determinar dentre as ferramentas e técnicas de mineração existentes na literatu- ra, qual delas será utilizada para a realização do experimento proposto neste estudo.
A segunda etapa, Analisar as técnicas de mineração, tem como finalidade iden- tificar as informações e o formato de exposição do conhecimento gerado por determi- nada técnica.
Na próxima etapa, Analisar as técnicas de visualização, estuda-se as diversas técnicas de visualização com o objetivo de levantar os tipos de informações e a estru- tura de visualização vinculados a cada técnica.
Por fim, a última etapa, Correlacionar as técnicas de mineração e de visuali- zação, propõe uma nova forma de como os conhecimentos gerados pelas técnicas de mineração podem ser expostos ao usuário, para facilitar sua compreensão durante a análise dos resultados. Desta forma, indicam-se as técnicas de visualização mais adequadas para cada técnica de mineração.
A ferramenta utilizada foi a WEKA (versão 3.7.5) por contemplar as técnicas de mineração, a saber: classificação, clusterização e associação. A WEKA, ainda, apre- senta a opção Seleção de atributos. No entanto, esta técnica não se tornou foco desta pesquisa, pois ela somente mostra quais são os atributos mais relevantes em uma base de dados, não exibindo regras que ajudam o usuário na tomada de decisão.
A WEKA tem a finalidade de identificar a informação a partir de dados brutos. O software trabalha com arquivos específicos e seu enfoque principal está em ser um classificador com os algoritmos de filtro. Inclui, também, implementação de algorit- mos para aprender com associação de regras, além de agrupar dados, para os quais nenhum valor de classe é especificado (MORAES; BASTOS; BITTENCOURT, 2002).
A WEKA permite sua utilização em quatro ambientes de exploração: explorer,
maneira mais fácil de usá-la é através da interface gráfica chamada de explorer, por- que dá acesso a todas as suas instalações, utilizando-se de menu e de preenchimento de formulários e que melhor se adequa para usuários iniciantes.
Definida a ferramenta e as técnicas, foi preciso decidir quais algoritmos se- riam processados nas bases de dados para o experimento em cada técnica. Para isto, utilizou-se os estudos de Schuch et al. (2010); Rodrigues Filho (2001); Domingues (2004); Romão et al. (1999) e Mafra et al. (2008), nos quais citam-se, principalmente, os algoritmos: J48 para técnica de classificação, a priori para associação e K-means para a clusterização.
Após o entendimento da técnica e de seu algoritmo, identificou-se para eles o modelo de conhecimento gerado pela ferramenta WEKA que engloba as caracterís- ticas de tarefas e de métodos. As tarefas representam os tipos de conhecimento que são extraídos da base de dados e os métodos representam as formas de como o conhe- cimento é apresentado para o usuário.
Assim, as tarefas são:
a) grupos: conjunto de registros que possuem alguma semelhança entre si e diferenças significativas com relação às informações de outros grupos; b) relacionamentos: representam o grau de ligação de um registro a outro,
podendo apresentar uma relação de hierarquia ou apenas indicando que possuem características em comum;
c) regras de associação: são informações derivadas dos relacionamentos repre- sentados por árvores, redes ou classes;
d) padrões: são usados para unir ou distinguir informações e podem também servir como base para a busca de erros ou falhas nos registros. Os itens grupos, relacionamentos e regras de associação podem ser formados pela verificação de comportamento repetitivo dentro dos registros.
E os métodos são:
a) árvore: demonstra os níveis de hierarquia presentes em um conjunto de registro que forma a informação. É um dos recursos visuais mais fácil de
ser compreendido, pois sua construção obedece à lógica ‘se-então’ e, a partir dela, pode-se derivar regras que são aplicadas em futuras análises;
b) classe: reúne informações que possuem partes semelhantes verificadas pelo algoritmo aplicado;
c) relação de dependência: apresenta uma condição de existência de um re- gistro em virtude de outro. É representada pela relação antecedente/conse- quente, em que o antecedente pode conter inúmeras variáveis que levam a um resultado, o consequente.
Tendo as tarefas e os métodos reconhecidos, o próximo passo foi identificar esses aspectos, conforme a técnica de visualização de informações. Assim indicou-se:
a) tarefa: representa o tipo de conhecimento que é exibido para o usuário, po- dendo ser: grupos, relacionamentos, regras de associação ou padrões; b) método: representa o formato de exibição do conhecimento, o qual pode ser
classificado como: árvore, classe e relação de dependência.
As características da tarefa e dos métodos foram escolhidos por corresponde- rem às mesmas características analisadas nas técnicas de mineração. Depois disso, foi preciso estabelecer uma relação entre as técnicas de mineração e as de visualiza- ção, com o objetivo de permitir que o conhecimento exibido pelas técnicas de minera- ção seja melhor compreendido pelo usuário.
A relação entre as técnicas se deu por meio da identificação das caracterís- ticas comuns, entre as tarefas e os métodos. Esta relação é importante para que a aplicação dos recursos gráficos contidos nas técnicas de visualização estejam de acordo com o conhecimento obtido pelos algoritmos de mineração.
Após esta análise, determinou-se quais técnicas de visualização podem ser usa- das na representação do conhecimento resultante da execução dos algoritmos e quais elementos visuais serão empregados na representação.
Ao término deste processo, segue a proposta dos protótipos que utilizam téc- nicas de visualização, com seus elementos visuais, para representar as informações resultantes da execução dos algoritmos no ambiente WEKA.