Importance of Data Visualization – Anscombe’s Quartet Way.

DS INTO THE REAL WORLD

Kwartet Anscombe’a obejmuje cztery zbiory danych, które mają prawie identyczne proste statystyki opisowe, ale mają bardzo różne rozkłady i wyglądają bardzo różnie, gdy się je wykreśli na wykresie.
– Wikipedia

Kwartet Anscombe’a można zdefiniować jako grupę czterech zestawów danych, które są prawie identyczne w prostych statystykach opisowych, ale istnieją pewne osobliwości w zestawie danych, które oszukują model regresji, jeśli jest zbudowany. Mają one bardzo różne rozkłady i pojawiają się inaczej, gdy są wykreślone na wykresach scatter plots.

Został on skonstruowany w 1973 roku przez statystyka Francisa Anscombe’a, aby zilustrować znaczenie wykreślania wykresów przed analizą i budową modelu, a także wpływ innych obserwacji na właściwości statystyczne.There są te cztery działki zestawów danych, które mają prawie takie same obserwacje statystyczne, co zapewnia te same informacje statystyczne, które obejmują wariancję i średnią wszystkich punktów x,y we wszystkich czterech zestawach danych.

To mówi nam o znaczeniu wizualizacji danych przed zastosowaniem różnych algorytmów tam budować modele z nich, co sugeruje, że cechy danych muszą być wykreślone, aby zobaczyć rozkład próbek, które mogą pomóc zidentyfikować różne anomalie obecne w danych, takich jak wartości odstające, różnorodność danych, liniowej separacji danych, itp. Ponadto, Regresja liniowa może być tylko uważane za dopasowanie do danych z liniowych relacji i jest niezdolny do obsługi wszelkiego rodzaju innych zestawów danych. Te cztery wykresy można zdefiniować w następujący sposób:

Informacje statystyczne dla wszystkich tych czterech zestawów danych są w przybliżeniu podobne i można je obliczyć w następujący sposób:

Gdy te modele są wykreślane na wykresie rozrzutu, wszystkie zbiory danych generują inny rodzaj wykresu, który nie jest interpretowalny przez żaden algorytm regresji, który daje się nabrać na te osobliwości i można go zobaczyć następująco:

Cztery zbiory danych można opisać jako:

1. Zbiór danych 1: całkiem dobrze pasuje do modelu regresji liniowej.
2. Zbiór danych 2: to nie może dopasować modelu regresji liniowej na danych dość dobrze, ponieważ dane są nieliniowe.
3. Zbiór danych 3: pokazuje wartości odstające w zbiorze danych, które nie mogą być obsługiwane przez model regresji liniowej
4. Zbiór danych 4: pokazuje wartości odstające w zbiorze danych, które nie mogą być obsługiwane przez model regresji liniowej

Opisaliśmy cztery zbiory danych, które zostały celowo utworzone, aby opisać znaczenie wizualizacji danych i to, jak każdy algorytm regresji może zostać oszukany przez to samo. W związku z tym, wszystkie ważne cechy w zbiorze danych muszą być wizualizowane przed zaimplementowaniem na nich jakiegokolwiek algorytmu uczenia maszynowego, który pomoże stworzyć dobrze dopasowany model.

.