Tahmin Edici Analizin Görselleştirilmesi' Ham Veri - AYRINTILAR

Bir resim bin kelimeye bedeldir - özellikle tahmini analiz verileriniz üzerinde iyi bir işlem yapmaya çalıştığınız zaman. Ön işleme adımında, verilerinizi hazırlarken bir sonraki adıma geçmeden önce neyin elinizde olduğunu görselleştirmek yaygın bir uygulamadır.

Aday verilerine özellik (aynı zamanda nitelikler olarak da adlandırılır) içeren bir veri matrisi oluşturmak için Microsoft Excel gibi bir elektronik tablo kullanmaya başlıyorsunuz. Birkaç iş zekası yazılım paketi (Tableau gibi) size analitik uygulamak üzere olduğunuz verilere ilişkin bir ön bilgi verebilir.

Tahmini analiz için tablo görüntülemeleri nasıl kullanılır

Tablolar verilerin en basit, en basit resimsel gösterimidir. Tablolar (ayrıca elektronik tablolar olarak bilinir), satır ve sütunlardan oluşur - bunlar sırasıyla verilerinizi oluşturan olarak bahsedilen nesnelere ve niteliklerine karşılık gelir. Örneğin, çevrimiçi sosyal ağ verilerini düşünün. Bir veri nesnesi bir kullanıcıyı temsil edebilir. Bir kullanıcının nitelikleri (veri nesnesi) sütun başlıkları olabilir: Cinsiyet, Posta Kodu veya Doğum Tarihi.

Tablodaki hücreler değerleri temsil eder. Tablolarda görselleştirme, veri nesnelerinin eksik öznitelik değerlerini kolayca bulmanıza yardımcı olabilir.

Tablolar, diğer niteliklerin birleşimi olan yeni nitelikler ekleme esnekliğini de sağlayabilir. Örneğin, sosyal ağ verilerinde Age adlı yeni bir sütun ekleyebilirsiniz; bu sütun, mevcut Doğum Tarihi özniteliğinden kolayca türetilebilen bir özellik olarak hesaplanabilir. Tablodaki sosyal paylaşım ağı verileri, varolan başka bir sütundan (Doğum Tarihi) yaratılan Yaş adlı yeni bir sütunu gösterir.

Çubuk grafikler, tahmini analizi kullanır

Çubuk grafikler, verilerinizdeki artışları veya anormallikleri belirlemek için kullanılabilir. Minimum ve maksimum değerleri hızlıca resmetmek için her nitelik için bunu kullanabilirsiniz. Çubuk grafikler, verilerinizi nasıl normalleştireceğinizle ilgili bir tartışma başlatmak için de kullanılabilir.

Normalleştirme , verilerin daha kullanışlı olmasını sağlayan ölçekte bazı veya tüm öznitelik değerlerinin ayarlanmasıdır. Örneğin, verilerde bir hata olduğunu kolayca görebilirsiniz: Bir kaydın Yaş çubuğu negatiftir. Bu anomali, bir veri tablosundan çok bir çubuk grafik ile daha kolay gösterilir.

Tahmin analizi için pasta grafikleriyle ilgili temel bilgiler

Pasta grafikleri ağırlıklı olarak yüzdeleri göstermek için kullanılır. Çeşitli öğelerin dağılımını kolayca gösterebilir ve en baskın olanı vurgulayabilirler. Sosyal ağın ham verileri Yaş özniteliğine göre gösterilir.Grafiğin, yalnızca dişilerin kadınlara karşı açık bir dağılım göstermediğini değil, muhtemel bir hatayı da gösterdiğine dikkat edin: R, toplama işlemi sırasında oluşabilecek cinsiyet türünün bir değeri olarak.

Tahmin analizi için grafik grafikleri nasıl kullanılır

Grafik teorisi, yapılandırılmış ve bir grafik olarak temsil edilen verileri analiz edebilen güçlü algoritmalar seti sağlar. Bilgisayar bilimlerinde grafik , veri nesnelerinin çiftleri arasındaki ilişkileri temsil eden verileri organize etmenin bir yolu olan veri yapısıdır. Bir grafik iki ana bölümden oluşur:

• Noktalar, ayrıca düğümler

• olarak bilinir Dikdörtgenler, düğüm çiftlerini

arasına bağlar Kenarlar yönlendirilebilir (oklar gibi çizilebilir) ve ağırlıkları olabilir. İki düğümün (çevreler) arasına bir kenar (ok) yerleştirmeye karar verebilirsiniz - bu durumda diğer üyelere arkadaş olarak bağlanan sosyal ağ üyeleri:

Ok'un yönü, kimin "arkadaşlarının" kim olduğunu gösterir veya çoğu zaman etkileşimleri başlatan kişidir.

Tahmin edici analiz için kelime bulutlarının temelleri

kelime bulutu olarak düzenlenmiş kelimelerin veya kavramların listesini düşünün - listedeki tüm kelimelerin grafik gösterimi, her kelimenin boyutunu orantılı olarak gösteren belirttiğiniz bir metriğe dönüştürür. Örneğin, kelimeler ve tekrarlar içeren bir e-tablolarınız varsa ve en önemli kelimeleri tanımlamak istiyorsanız bir kelime bulut deneyin.

Kelime bulutları çalışıyor çünkü çoğu kuruluşun verileri metin. ortak bir örnek, Twitter'ın eğilim terimlerini kullanmasıdır. Bu gösterimdeki her terim, büyüklüğünü göreli öneminin bir göstergesi olarak etkileyen bir ağırlığa sahiptir.

Bu ağırlığı tanımlamanın bir yolu, veri koleksiyonunuzda bir kelime kaç kez görünür olabileceğidir. Bir kelime daha sık göründüğünde, ağırlığı "daha ağır" olur ve bulutta o kadar büyük görünür.

Tahmin edici analiz için akın kuşlarının gösterimi nasıl kullanılır

Doğal akın davranışı genel olarak nesnelerin (özellikle canlıların) (a) ait olduğu çevreye ve (a) (b) mevcut diğer nesnelere verdikleri cevaplar. Arılar, sinekler, kuşlar, balıklar ve karıncalar - ya da bu konuda insanlar gibi - doğal toplulukların akın davranışları sürü istihbarat olarak da bilinir.

Kuşlar, sürüler gibi davranırken doğal kurallara uyarlar. Flock-mates birbirinden belirli bir mesafede bulunan kuşlardır; Bu kuşlar benzer sayılır. Her kuş, akın davranışını düzenleyen üç ana yasaya göre hareket eder.

• Ayırma: Akın arkadaşları birbirleriyle çarpışmamalıdır.

• Hizalama: Flock-mates, komşularıyla aynı ortalama yönde hareket etmek için.

• Bağlanma: Sürü-arkadaşları sürü-dostlarının ortalama konumlarına veya konumlarına göre hareket eder.

Bu üç kuralın modellenmesi, analitik bir sistemin akın davranışlarını simüle etmesini sağlayabilir. Akın kuşlarının kendi kendini organize eden doğal davranışını kullanarak, basit bir elektronik tabloyu görselleştirme haline dönüştürebilirsiniz.Anahtar, verilerinizin bir parçası olarak benzerlik kavramını tanımlamaktır. Birkaç soru ile başlayın:

• Verilerinizdeki iki veri nesnesini benzer yapan nedir?

• İki veri kaydı arasındaki benzerliği en iyi hangi öznitelikler kullanabilir?

  

Örneğin, sosyal ağ verilerinde, veri kayıtları bireysel kullanıcıları temsil eder; bunları tanımlayan nitelikler arasında Yaş, Posta Kodu, İlişki Durumu, Arkadaş Listesi, Arkadaş Sayısı, Alışkanlık, Olaylar