高维数据的一些概念

高维数据可视化

数据的维度：数据包含的属性的数量。
多维度数据：拥有多个属性的数据。
三维数据局限性：
1、屏幕是二维的、三维散点图的点与点之间会遮挡；
2、从不同三维视角观察数据点会得到不同的分布。
高维数据：维度大于等于2的数据。
**高维数据在日常生活中的应用：**医疗数据、城市数据、体育数据、、、

高维数据变换

高维数据变换——降维
方法：使用线性或非线性变换将高维数据投影到较低维子空间。
线性方法：主成分分析；多维度分析
非线性方法：等度量映射；局部线性嵌入
优点：消除冗余；减少被处理的数量；数据呈现方便。
缺点：数据丢失
应用：数据可视化；数据挖掘；模式识别

散点图矩阵

每个散点图所表示的数据是高维数据的两个属性；
n维数据的散点图矩阵包括n乘n个图表；
对角线上放对应属性值得分布图。
散点图矩阵可以表现出属性之间的相关关系。
二维散点图的数量和维度的平方成一定比例。

平行坐标轴

坐标轴与平行坐标轴

平行坐标轴可以反映出属性间的相关关系。
但是对非相邻属性之间的关系的表现相对较弱。

基于图标的方法

特点
1、用图标表达多元数据对象
2、不同图标元素表示不同属性
3、星形图、切尔诺夫脸谱图
关键点
1、选择易于被感知的视觉元素
2、映射必须直观易懂

像素图

1、充分利用屏幕空间
2、每个像素点都表示数据点
3、利用密集、不同颜色像素表示数据
特点：效果极大依赖于颜色的使用

马赛克图

优点：展现数据不同类别不断细分下的分布规律
缺点：不能把详细的数据点可视化出来