一图胜千言！这10种可视化技术你应该知道

数据库传送门：http://ai.stanford.edu/~amaas/data/sentiment/

电影好评词云

电影差评词云

9. 三维图

目前，为了分析三维数据，人们通常会选择在散点图的基础上增加一个维度，并且这种方式也正变得越来越普遍。这种三维图有许多优势，尤其是其交互性。因为通过使用旋转和缩放的功能，用户能够更加全面而深刻地分析数据。

以下这个例子中所展示的是一个二维的高斯概率密度函数，此外，还有一个可用于调整视角的控制面板。

二维高斯概率密度函数

资料来源：https://ibm.box.com/s/y0woc4hvk046v12yhlxdftkz32zw4po9

10. 高维图

在分析高维数据时，需要同时对四项、五项，甚至更多的相关数据进行可视化处理。因此，为了达到这个目的，可以利用上文所讲过的任何一个可视化技术，先构建一个二维或者三维模型。

例如，可以在上文的恒温器折扣地图中添加一个第三维度。具体来说，就是把地图上的每一个点都延伸为一条竖直线，用以表示该地区的平均能耗。通过以上步骤，获得一幅四维图，其中四个维度分别表示经度、纬度、折扣力度和平均能耗。

如果需要分析的数据维度比这还要更高，就需要先对数据进行降维处理。数据降维的方法主要有两种，即主成分分析法和t-SNE算法。

目前应用最为普遍的降维方法是主成分分析法。该方法通过找寻新的向量来进行降维，并且该向量必须尽可能多地反映数据原来的线性变化信息。如果数据间的线性关系足够强大，那么主成分分析法的降维效果就会非常明显，并且几乎不会发生信息的丢失。

相比之下，t-SNE算法就是一种非线性的降维方法。t-SNE算法在降低数据维度的同时，还会对原高维空间内数据点之间的距离进行保留。

来看看下面这幅图，图中的数据信息取样自MNIST手写数字数据库³。该数据库包含从0到9十个数字的数千种手写体图像，研究人员可以使用该数据库对他们的聚类算法和分类算法进行测试。数据库中，这些手写体图像的分辨率是784像素(28*28)，然而通过t-SNE算法的应用，可以直接将这些784维的数据降至二维。

应用于MNIST手写数字数据库的t-SNE算法

资料来源：https://ibm.box.com/s/94e4q8askq82owlnr6qxerworm6cx2sp

（编辑：网站开发网_马鞍山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!