Machine Learning With Python 简明教程

Machine Learning - Data Visualization

数据可视化是机器学习 (ML) 的一个重要方面，因为它有助于分析和传达数据中的模式、趋势和见解。数据可视化涉及创建数据的图表表示，这有助于识别可能无法从原始数据中明显看出模式和关系。

以下是数据可视化在机器学习中使用的一些方式 −

  1. Exploring Data − 数据可视化是探索和理解数据的重要工具。可视化有助于识别模式、相关性和异常值，还可以帮助发现数据质量问题，例如缺失值和不一致性。

  2. Feature Selection − 数据可视化有助于为 ML 模型选择相关特征。通过可视化数据及其与目标变量的关系，你可以识别出与目标变量密切相关的特征，并排除预测能力较低的无关特征。

  3. Model Evaluation − 数据可视化可用于评估 ML 模型的性能。诸如 ROC 曲线、查准率-召回率曲线和混淆矩阵等可视化技术有助于理解模型的准确度、查准率、召回率和 F1 得分。

  4. Communicating Insights − 数据可视化是一种有效的方式，可以向没有技术背景的利益相关者传达见解和结果。诸如散点图、折线图和条形图等可视化可以帮助以易于理解的格式传达复杂的信息。

用于 Python 中数据可视化的流行库包括 Matplotlib、Seaborn、Plotly 和 Bokeh。这些库提供了广泛的可视化技术和自定义选项，以满足不同的需求与偏好。

data visualization techniques

Univariate Plots: Understanding Attributes Independently

最简单的可视化类型是单变量或“单变量”可视化。借助单变量可视化，我们可以独立了解数据集的每个属性。以下是 Python 中实现单变量可视化的某些技术 -

  1. Histograms

  2. Density Plots

  3. Box and Whisker Plots

Multivariate Plots: Interaction Among Multiple Variables

另一种可视化类型是多变量或“多变量”可视化。借助多变量可视化，我们可以了解数据集中多个属性之间的交互。以下是 Python 中用于实现多变量可视化的某些技术 -

  1. Correlation Matrix Plot

  2. Scatter Matrix Plot

在接下来的几章中，我们将着眼于机器学习中可用的一些流行的且被广泛使用的可视化技术。