Sådan visualiseres Predictive Analysis Raw data - dummies

Et billede er tusind ord ordentligt - især når du forsøger at få et godt håndtag på dine prædiktive analysedata. Ved forbehandlingstrinnet er det almindeligt at visualisere, hvad du har i hånden, mens du forbereder dine data, inden du fortsætter til næste trin.

Du starter med at bruge et regneark som Microsoft Excel til at oprette en dataramme - som består af kandidatdata funktioner (også kaldet attributter ). Flere business intelligence softwarepakker (som Tableau) kan give dig et indledende oversigt over de data, som du skal anvende analytikere på.

Sådan bruges tabular visualizations for predictive analysis

Tabeller er den enkleste og mest basale billedrepræsentation af data. Tabeller (også kendt som regneark ) består af rækker og kolonner - der svarer til de objekter og deres attributter, der tidligere er nævnt, til at udarbejde dine data. For eksempel overveje online sociale netværk data. En dataobjekt kunne repræsentere en bruger. Attributter til en bruger (dataobjekt) kan være overskrifter af kolonner: Køn, Postnummer eller Fødselsdato.

Cellerne i et bord repræsenterer værdier. Visualisering i tabeller kan hjælpe dig med nemt at få vist manglende attributværdier for dataobjekter.

Tabeller kan også give fleksibilitet til at tilføje nye attributter, der er kombinationer af andre attributter. For eksempel i sociale netværk data kan du tilføje en anden kolonne kaldet Alder, som nemt kan beregnes - som en afledt attribut - fra den eksisterende fødselsdato attribut. De tabulære sociale netværk data viser en ny kolonne, Alder, oprettet fra en anden eksisterende kolonne (fødselsdato).

Stregdiagrammer bruger i prædiktiv analyse

Stregdiagrammer kan bruges til at spotte pigge eller anomalier i dine data. Du kan bruge den til hver egenskab til hurtigt at se minimums- og maksimumsværdier. Stregdiagrammer kan også bruges til at starte en diskussion af, hvordan du normaliserer dine data.

Normalisering er justeringen af ​​værdier for en eller flere attributter på en skala, der gør dataene mere anvendelige. For eksempel kan du nemt se, at der er en fejl i dataene: Alderslinjen på en post er negativ. Denne uregelmæssighed er lettere afbildet ved et stregdiagram end ved en tabel med data.

Grundlæggende om cirkeldiagrammer til forudsigende analyser

Sirkediagrammer bruges primært til at vise procentdele. De kan nemt illustrere fordelingen af ​​flere elementer og fremhæve den mest dominerende. Rå data for sociale netværk er repræsenteret i henhold til aldersattributten.Bemærk, at diagrammet ikke kun viser en klar fordeling af mænd mod kvinder, men også en sandsynlig fejl: R som en værdi for kønstype, der muligvis er oprettet, når dataene blev indsamlet.

Sådan bruges grafdiagrammer til forudsigelsesanalyse

Grafteori giver et sæt kraftfulde algoritmer, som kan analysere data struktureret og repræsenteret som en graf. I datalogi er en graf datastruktur, en måde at organisere data, der repræsenterer relationer mellem par af dataobjekter. En graf består af to hoveddele:

• Vertices, også kendt som noder

• Kant, der forbinder par af knuder

Kant kan styres (tegnet som pile) og kan have vægte. Du kan beslutte at placere en kant (pil) mellem to noder (cirkler) - i dette tilfælde medlemmerne af det sociale netværk, der er forbundet med andre medlemmer som venner:

Pilens retning angiver, hvem "venner" som først, eller hvem initierer interaktioner det meste af tiden.

Grundlæggende om ordskyder til forudsigelsesanalyse

Overvej en liste over ord eller begreber arrangeret som en ordsky - en grafisk gengivelse af alle ord på listen, der viser størrelsen af ​​hvert ord som proportional til en beregning, du angiver. Hvis du f.eks. Har et regneark med ord og hændelser, og du gerne vil identificere de vigtigste ord, skal du prøve en ordsky.

Word-clouds fungerer, fordi de fleste organisations data er tekst; et almindeligt eksempel er kvidres brug af trendbetingelser. Hvert udtryk i denne repræsentation har en vægt, som påvirker dens størrelse som en indikator for dens relative betydning.

En måde at definere denne vægt på kan være, hvor mange gange et ord vises i din dataindsamling. Jo hyppigere et ord vises, jo tungere er dets vægt - og jo større vises i skyen.

Sådan bruges flocking fugle repræsentation til forudsigelig analyse

Naturlig flocking adfærd generelt er et selvorganiserende system, hvor objekter (især levende ting) har en tendens til at opføre sig i henhold til (a) det miljø de tilhører og (b) deres svar på andre eksisterende objekter. Naturlige samfunds flockende opførsel som bier, fluer, fugle, fisk og myrer - eller i det mindste folk - er også kendt som svær intelligens .

Fugle følger naturlige regler, når de opfører sig som en flokk. Flock-mates er fugle placeret med en vis afstand fra hinanden; disse fugle betragtes som ens. Hver fugl bevæger sig i henhold til de tre hovedregler, der organiserer flockningsadfærd.

• Separation: Flockmates må ikke kollidere med hinanden.

• Tilpasning: Flock-mates at flytte i samme gennemsnitlige retning som deres naboer.

• Samhørighed: Flockmates flytter sig efter deres flockmands gennemsnitlige position eller placering.

Modellering af disse tre regler kan gøre det muligt for et analytisk system at simulere flocking adfærd. Ved hjælp af den selvorganiserede naturlige opførsel af flockende fugle kan du konvertere et ligefremt regneark til en visualisering.Nøglen er at definere begrebet lighed som en del af dine data. Start med et par spørgsmål:

• Hvad ligner to dataobjekter i dine data?

• Hvilke attributter kan bedst sammenligne ligheden mellem to dataposter?

  

I data om sociale netværk repræsenterer dataposterne individuelle brugere; Attributterne, der beskriver dem, kan omfatte alder, postnummer, relationer status, liste over venner, antal venner, vaner, begivenheder