UI Design Optimization Method Based on User Behavior Analysis – Based on Heat Map Analysis, K-means Clustering, and Random Forest Regression Analysis Algorithms
Notice bibliographique
Résumé
In today's digital era, user interface (UI) design is crucial for enhancing user experience and strengthening user engagement.The study uses heatmap analysis, K-means clustering algorithm and random forest regression algorithm to comprehensively analyze the characteristics of user behavior in UI pages.The predicted results of user behavior in UI pages are visualized and analyzed through heatmaps.Cluster classes are divided according to user behavioral characteristics to generate user profiles with the same behavior.Combine Random Forest and Logistic regression algorithm to get the key indexes of UI optimization design and predict their impact on user behavior experience.The research results show that the MAE and SMAPE values of Random Forest regression algorithm on user behavior prediction are 133.55 and 8.18%, respectively, with an R of 0.96, and the accuracy rate of behavior prediction is more than 80%, which shows a good performance of user behavior prediction.The clustering algorithm divides the user behavioral characteristics into 6 clusters based on their behavioral characteristics, including cluster class 1 (browsing and exploring class), which accounts for 11.5% of the number of investigators.The weight of the top 8 of the importance of UI optimization design obtained by the random forest regression analysis algorithm is 70.26%.And the user behavior experience can be improved by 5.377~9.925times when each element is improved by one unit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».