该博客通过平行坐标图和交会图对UCI库中的Mines vs. Rocks数据集进行可视化分析，探讨如何根据声纳返回的测量信息进行分类。通过观察不同分位数差异，发现样本间的相关性。平行坐标图显示样本1与样本2的相关程度高于样本2与样本30，而交会图则揭示了变量间的相关性。初步分类器建议：当样本的x_30小于0.5时，分类为M，否则为R，但这个简单的分类器仅作为起点，实际分类效果有限。
数据集描述：
从各种不同的纵横角度获得的信号，每个样本有60个从不同地点接收到的仪器测量值（每个模式是一组60个数字，范围为0.0到1.0），最后一个标记岩石（R)和水雷(M)
任务是根据声纳返回的测量信息，进行分类，从而发现未爆炸的水雷。
data_url = "http://archive.ics.uci.edu/ml/machine-learning-databases/undocumented/connectionist-bench/sonar/sonar.all-data"
dataset = pd.read_csv(data_url,prefix='x') #shape(207, 61)
dataset.head()
dataset.tail()
summary = dataset.describe()
print(summary)输出：（部分）
在这里可以观察不同分位数之间的差异。对于同意属性，如果存在某一个差异严重异于其他差异，则说明存在异常点。这就值得进一步分析数据。
手段①：平行坐标图 用于多个属性问题的可视化&#
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
