Les chercheurs ont introduit ImputeViz, un tableau de bord d'analyse visuelle intégré conçu pour soutenir le diagnostic des motifs de manquance, la configuration des modèles d'imputation et l'évaluation des résultats. Le système intègre des méthodes largement utilisées telles que MICE, Random Forest, XGBoost et kNN dans un environnement interactif qui rend explicites les structures de manquance.
- L'outil introduit gKNN, une variante de kNN informée géographiquement qui combine les distances socioéconomiques et spatiales pour permettre une traçabilité visuelle fondée sur la provenance.
- Les vues coordonnées révèlent la structure de manquance à travers des cartes thermiques, des résumés de co-manquance et des diagnostics distributionnels pour aider les analystes à raisonner sur les motifs MCAR, MAR et MNAR.
- Les utilisateurs peuvent comparer et ajuster les modèles via des superpositions distributionnelles et un résumé de comparaison de méthodes rapportant le MAE, le RMSE, le Delta RMSE et le temps d'exécution pour chaque algorithme.
- Les résultats mis en cache par méthode et les échelles d'axes verrouillées réduisent la charge cognitive due aux variations de plage lors du changement de méthode.
Des études de cas démontrent comment ImputeViz aide les analystes à sélectionner des stratégies efficaces, à mettre en évidence les variables sensibles et à évaluer la robustesse des modèles.