Predictive Analysis의 Raw Data - Dummies를 시각화하는 방법

그림은 수천 단어의 가치가 있습니다. 특히 예측 분석 데이터를 잘 처리하려고 할 때 특히 유용합니다. 전처리 단계에서 데이터를 준비하는 동안 다음 단계로 진행하기 전에 갖고있는 것을 시각화하는 것이 일반적입니다.

Microsoft Excel과 같은 스프레드 시트를 사용하여 시작하여 후보 데이터 기능 ( 속성 라고도 함)으로 구성된 데이터 매트릭스를 만듭니다. Tableau와 같은 여러 비즈니스 인텔리전스 소프트웨어 패키지는 분석을 적용하려는 데이터에 대한 예비 개요를 제공합니다.

->

예측 분석을 위해 표 형식 시각화를 사용하는 방법

표는 데이터의 가장 단순하고 기본적인 그림 표현입니다. 표 ( 스프레드 시트 라고도 함)는 행과 열로 구성됩니다.이 행과 열은 이전에 데이터를 구성하는 것으로 언급 한 객체 및 속성에 각각 해당합니다. 예를 들어, 온라인 소셜 네트워크 데이터를 고려하십시오. 데이터 객체는 사용자를 나타낼 수 있습니다. 사용자 (데이터 객체)의 속성은 성별, 우편 번호 또는 생년월일의 열 머리글 일 수 있습니다.

표의 셀은 값을 나타냅니다. 테이블의 시각화는 데이터 객체의 누락 된 속성 값을 쉽게 발견하는 데 도움이 될 수 있습니다. 또한 테이블은 다른 속성의 조합 인 새로운 속성을 추가 할 수있는 유연성을 제공합니다. 예를 들어 소셜 네트워크 데이터에서 Age라는 다른 열을 추가 할 수 있습니다.이 열은 기존 생년월일 특성에서 파생 된 특성으로 쉽게 계산할 수 있습니다. 표 소셜 ​​네트워크 데이터에는 다른 기존 열 (생년월일)에서 생성 된 새로운 열 Age가 표시됩니다.

막대 차트가 예측 분석에 사용됩니다.

막대 차트는 데이터의 스파이크 또는 이상을 탐지하는 데 사용할 수 있습니다. 각 속성에 대해이 값을 사용하여 최소값과 최대 값을 빠르게 볼 수 있습니다. 막 대형 차트는 데이터를 표준화하는 방법에 대한 토론을 시작하는데도 사용할 수 있습니다.

정규화

는 데이터를보다 유용하게 사용하는 축척의 일부 또는 전체 속성 값을 조정합니다. 예를 들어 데이터에 오류가 있음을 쉽게 알 수 있습니다. 한 레코드의 연령 표시 줄이 부정적입니다. 그 이상은 데이터 표보다는 막대 차트로 쉽게 나타납니다. 예측 분석을위한 원형 차트의 기본 사항

원형 차트는 주로 백분율을 표시하는 데 사용됩니다. 그들은 여러 항목의 분포를 쉽게 설명 할 수 있고 가장 우세한 점을 강조합니다. 소셜 네트워크의 원시 데이터는 Age 속성에 따라 표시됩니다.차트는 남성 대 여성의 명확한 분포뿐만 아니라 가능한 오류를 보여줍니다. R은 데이터를 수집 할 때 생성되는 성별 유형의 값입니다.

그래프 분석법을 예측 분석에 사용하는 방법

그래프 이론은 구조화되고 그래프로 표현 된 데이터를 분석 할 수있는 강력한 알고리즘 세트를 제공합니다. 컴퓨터 과학에서

그래프 는 데이터 구조로, 데이터 객체 쌍 사이의 관계를 나타내는 데이터를 구성하는 방법입니다. 그래프는 두 개의 주요 부분으로 구성됩니다: 노드 (노드라고도 함)

• 노드 쌍을 연결하는 모서리 모서리는 화살표로 그릴 수 있고 가중치를 가질 수 있습니다. 두 개의 노드 (원) 사이에 가장자리 (화살표)를 배치 할 수 있습니다 -이 경우에는 친구로 다른 멤버와 연결된 소셜 네트워크의 멤버:

• 화살표의 방향은 누가 먼저 "친구"인지 나타냅니다, 또는 대부분의 시간에 상호 작용을 시작하는 사람.

예측 분석을위한 단어 구름의 기본 사항

단어 구름 또는

단어 구름으로 배열 된 단어 목록을 고려하십시오.

- 목록의 모든 단어를 그래픽으로 표현하여 각 단어의 크기를 비례 적으로 표시합니다. 지정한 측정 항목으로 예를 들어 단어와 사건의 스프레드 시트가 있고 가장 중요한 단어를 식별하고 싶다면 단어 구름을 사용해보십시오. 대부분의 조직의 데이터가 텍스트이기 때문에 단어 구름이 작동합니다. 일반적인 예는 트위터가 트렌드 용어를 사용하는 것입니다. 이 표현의 모든 용어는 상대적 중요성의 지표로서 크기에 영향을 미치는 가중치를가집니다. 해당 가중치를 정의하는 한 가지 방법은 단어가 데이터 수집에 나타나는 횟수입니다. 더 자주 단어가 나타날수록 무게가 더 무겁고 구름에 더 큰 단어가 나타납니다.

예측 분석을 위해 새끼 무리 표현을 사용하는 방법

자연 몰입 행동은 일반적으로 대상 (특히 살아있는 것)이 자신이 속한 환경 및 (a) 주변 환경에 따라 행동하는 경향이있는 자체 구성 시스템입니다. (b) 다른 기존 대상에 대한 응답. 꿀벌, 파리, 새, 물고기, 개미와 같은 자연 사회의 몰려 다니는 행동은 사람들을

털 지능으로

알려줍니다. 새는 무리로서 행동 할 때 자연 규칙을 따른다. 무리 (Flock-mates)

는 서로 일정한 거리에있는 새이다. 그 새들은 비슷한 것으로 간주됩니다. 각 새는 몰려 드는 행동을 구성하는 세 가지 주요 규칙에 따라 움직입니다. 분리: 무리는 서로 충돌해서는 안됩니다.

• 정렬: 무리가 이웃과 같은 평균 방향으로 이동합니다. 응집력:

• 무리는 그들의 무리의 평균 위치 또는 위치에 따라 이동합니다. 이 세 가지 규칙을 모델링하면 분석 시스템이 몰려 들고 행동을 시뮬레이션 할 수 있습니다. 새가 모이는 자연스러운 자기 행동을 사용하여 간단한 스프레드 시트를 시각화로 변환 할 수 있습니다.핵심은 유사성 개념을 데이터의 일부로 정의하는 것입니다. 몇 가지 질문으로 시작하십시오.

• 데이터에서 두 개의 데이터 객체가 유사한 이유는 무엇입니까? 두 속성 사이의 유사성을 가장 잘 이끌어 낼 수있는 속성은 무엇입니까? 예를 들어, 소셜 네트워크 데이터에서 데이터 레코드는 개별 사용자를 나타냅니다. 그 (것)들을 기술하는 속성은 나이, 우편 번호, 관계 상태, 친구의 명부, 친구의 수, 습관, 사건을 포함 할 수있다