چرا تجسم داده‌ها (Data Visualization) در علم داده به این اندازه مهم است؟

آیا ترجیح می‌دهید ابتدا جداول داده‌های بزرگ را مشاهده کنید و سپس به استخراج مفهوم داده‌ها بپردازید یا ترجیح می‌دهید تجسم داده را مشاهده کنید که داده‌ها را به‌صورت تصویری ساده و قابل درک نمایش دهد؟ بسیاری از شما احتمالا ترجیح می‌دهید از تجسم داده استفاده کنید!
تجسم داده، به‌این دلیل بسیار سودمند است که به ما در درک داده‌ها و به‌دست آوردن بینش‌های مفید کمک می‌کند. این قابلیت را به ما می‌دهد که به‌صورت لحظه‌ای درکی فوری از داده‌ها پیدا کنیم که با مشاهده ردیف‌های داده در یک جدول به‌سادگی قابل دستیابی نیست. به‌همین دلیل، تجسم داده در علم داده بسیار حائز اهمیت است!

تجسم داده چیست؟

تجسم داده (Data visualization)، فرآیندی است که در آن اطلاعات و داده‌ها به‌صورت تصویری منتقل و ترجمه می‌شوند. اغلب از نمودار، نمودار میله‌ای، نمودار میله‌ای شکسته یا سایر ابزارهای بصری استفاده می‌شود. همچنین تجسم از تصاویر برای انتقال روابط بین مجموعه‌های مختلف داده‌ها استفاده می‌کند.
دیتاویژوالیزیشن نیز با عناوینی همچون تجسم اطلاعات، گرافیک اطلاعات و گرافیک آماری شناخته می‌شود. این مرحله در فرآیند علم داده است، که به ما می‌گوید پس از جمع‌آوری، پردازش و مدل‌سازی داده‌ها، اطلاعات باید به صورت تصویری نمایش داده شوند تا کاربران بتوانند از آن برای استخراج نتایج استفاده کنند.
علاوه بر این، تجسم داده بخشی از حوزه گسترده‌تر معماری ارائه داده (DPA) است که هدف آن شناسایی، یافتن، تحلیل، فرمت‌بندی و ارائه داده به‌بهترین شکل ممکن است.

انواع مختلف تجسم داده در علم داده

در علم داده، انواع مختلفی از Data visualization وجود دارند. در زیر، به برخی از نمونه‌های رایج نمودارهای تجسم داده اشاره شده است.

نمودار توزیع (Distribution plot)

نمودار توزیع به ما کمک می‌کند تا نحوه توزیع داده‌ها را بصری‌سازی کنیم. این نمودار می‌تواند به‌صورت نمودار توزیع احتمال یا منحنی چگالی نشان داده شود.

نمودار جعبه و خط (Box and whisker plot)

این نمودار برای نمایش تنوع مقادیر یک ویژگی عددی استفاده می‌شود. همچنین نشان می‌دهد که داده‌ها در چه محدوده‌ای قرار دارند و علاوه بر این میانگین، میانه و کارتیل‌های پایین و بالا را نمایش می‌دهد.

نِمودار ویولون (Violin plot)

مشابه نمودار جعبه و خط است، اما به‌جز نمودار جعبه، شامل نمودار چگالی هسته‌ای است. این نمودار به ما کمک می‌کند تا تنوع داده‌ها را نشان دهد و همچنین تخمینی از توزیع زیرین داده‌ها را ارائه می‌دهد.

نمودارِ خطی (Line plot)

با اتصال نقاط داده با خطوط راست ایجاد می‌شود. این نمودار برای نمایش تغییرات یک متغیر در طول زمان یا دوره‌ها استفاده می‌شود. محور x معمولا زمان یا دوره را نشان می‌دهد. برای درک بهتر تفاوت داده (Data) و اطلاعات (Information) می توانید مقالات مربوط به این موضوع را مطالعه کنید.

نمودار میله‌ای (Bar plot)

برای نمایش فراوانی داده‌های دسته‌ای استفاده می‌شود. هر دسته توسط یک میله نمایش داده می‌شود. میله‌ها می‌توانند به‌صورت عمودی یا افقی ایجاد شوند. ارتفاع یا طول آن‌ها نسبت به‌مقادیری که نماینده آن‌ها هستند، است.

نمودارِ پراکندگی (Scatter plot)

برای بررسی رابطه بین دو متغیر عددی استفاده می‌شود. این نمودارها به صورت نقاطی رسم می‌شوند و ما را قادر می‌سازند ببینیم که آیا رابطه‌ای (خطی یا غیرخطی و مثبت یا منفی) بین این دو متغیر وجود دارد یا خیر. نمودارهای پراکندگی به طور معمول در تحلیل رگرسیون مورد استفاده قرار می‌گیرند.

نِمودار هگزبین (Hexbin plot)

مشابه نمودار پراکندگی، رابطه بین دو متغیر عددی را نشان می‌دهد. این نوع نمودار زمانی مفید است که تعداد زیادی نقطه داده در دو متغیر وجود داشته باشد. وقتی تعداد زیادی نقطه داده وجود دارد، در نمودار پراکندگی اگر این نقاط نشان داده شوند، به هم افتادگی ایجاد می‌شود.

نمودار حرارتی (Heatmap)

این نمودار، برای تجسم ضرایب همبستگی ویژگی‌های عددی با استفاده از یک نقشه رنگ زیبا استفاده می‌شود. رنگ‌های روشن نشان‌دهنده همبستگی بالا است و رنگ‌های تیره نشان‌دهنده همبستگی پایین هستند. نمودار حرارتی بسیار مناسب برای شناسایی چندخطی بودن است که زمانی رخ می‌دهد که ویژگی‌های ورودی با یک یا چند ویژگی دیگر در مجموعه داده به‌طور قابل توجهی همبسته باشند.

نمودار ستونی (Histogram)

هیستوگرام برای نمایش توزیع داده‌های عددی استفاده می‌شود. با نگاه به نمودار ستونی، می‌توانیم تشخیص دهیم که آیا مقادیر به‌طور نرمال (با شکلی مشابه منحنی زنگی شکل)، به‌سمت راست متمایل یا به‌سمت چپ متمایل هستند. همچنین، نمودار ستونی باقیمانده‌ها (رست‌ها) مفید برای اعتبارسنجی فرضیات مهم در تحلیل رگرسیون است.

نمودار دایره‌ای (Pie chart)

نمودار دایره‌ای متغیر طبقه‌بندی، شامل مقادیر هر دسته به عنوان بخش‌هایی است که اندازه آنها متناسب با کمیت آنها است. این یک نمودار دایره‌ای است که تعداد بخش‌ها برابر با تعداد دسته‌ها است و اندازه بخش‌ها نسبت به مقادیری که نماینده آن‌ها هستند، متناسب است.

تکنیک‌های تجسم داده در دیتا ساینس

در علوم داده، برخی از تکنیک‌های اصلی نمایش داده شامل تحلیل یک متغیره، دو متغیره و تحلیل چند متغیره هستند. این تکنیک‌ها به ما کمک می‌کنند تا اطلاعات موجود در داده‌ها را به‌صورت گرافیکی و قابل فهم به نمایش بگذاریم.

تحلیل یک متغیره (Univariate Analysis)

در تحلیل یک متغیره، همانطور که از نامش پیداست، ما تنها یک متغیر را در هر زمان تحلیل می‌کنیم. به عبارت دیگر، هر متغیر را به صورت جداگانه مورد بررسی قرار می‌دهیم. نمودارهای میله‌ای، نمودارهای دایره‌ای (پای)، نمودارهای جعبه‌ای و هیستوگرام‌ها از جمله نمونه‌های معمول تجسم داده‌های یک متغیره هستند.
نمودارهای میله‌ای و نمودارهای دایره‌ای برای متغیرهای دسته‌ای ساخته می‌شوند، در حالی که نمودارهای جعبه‌ای و هیستوگرام‌ها برای متغیرهای عددی ساخته می‌شوند.

تحلیل دو متغیره (Bivariate Analysis)

در تحلیل دو متغیره، ما دو متغیر را به طور همزمان تجزیه و تحلیل می‌کنیم. اغلب، بررسی می‌کنیم که آیا بین دو متغیر رابطه‌ای وجود دارد یا خیر. نمودار پراکنش یک مثال کلاسیک از تجسم داده‌های دو متغیره است.

تجزیه و تحلیل چندمتغیره (Multivariate Analysis)

دَر تحلیل چندمتغیره، ما بیش از دو متغیر را به طور همزمان تجزیه و تحلیل می‌کنیم. نمودار حرارتی (heatmap) یک نمونه کلاسیک از تجسم داده‌های چندمتغیره است. مثال‌های دیگر شامل تحلیل خوشه‌بندی و تحلیل مؤلفه‌های اصلی (PCA) هستند.

چرا تجسم داده در علم داده مهم است؟

در علم داده، دلایل بسیاری برای Data visualization وجود دارد. مزایای تجسم داده شامل ارتباط دادن نتایج یا یافته‌های شما، نظارت بر عملکرد مدل در مرحله ارزیابی، تنظیم هایپرپارامتر، شناسایی روندها، الگوها و همبستگی بین ویژگی‌های مجموعه داده، پاکسازی داده مانند تشخیص داده‌های پرت و تأیید فرضیات مدل است.

پاکسازی داده (Data cleaning)

نمایش داده نقش بسیار حائز اهمیتی در فرآیند پاکسازی داده‌ها دارد. مثال‌های بسیار مفیدی از این نقش عبارتند از تشخیص نقاط ناهنجار و حذف چندخطی‌گری. با استفاده از ایجاد نمودارهای پراکنش، می‌توانیم نقاط ناهنجار را شناسایی کرده و با تولید نمودارهای حرارتی، چندخطی‌گری را بررسی نماییم.

بررسی داده (Data Exploration)

قبل از ساخت هر مدل، نیاز است که تحلیل کاوشی داده‌ها را انجام دهیم تا ویژگی‌های مجموعه داده را شناسایی کنیم. به‌عنوان مثال، می‌توانیم برای متغیرهای پیوسته، نمودارهای توزیع فراوانی (Histogram) ایجاد کنیم تا نرمالیته داده را بررسی کنیم.  همچنین، با ایجاد نمودارهای پراکنش (Scatterplot) بین دو ویژگی، میزان همبستگی آن‌ها را بررسی می‌کنیم. به‌همین ترتیب، با ایجاد نمودار میله‌ای برای ستون برچسب با دو یا چند کلاس، عدم توازن کلاس‌ها را شناسایی می‌کنیم.

ارزیابی خروجی‌های مدلسازی (Evaluation of modeling outputs)

در فرآیند آموزش مدل، می‌توانیم با ایجاد یک ماتریس در هم‌ریختگی (confusion matrix) و منحنی یادگیری، عملکرد مدل را ارزیابی کنیم. همچنین، استفاده از نمودارها در اعتبارسنجی فرضیات مدل بسیار مفید است. به‌عنوان مثال، با ایجاد نمودار باقیمانده‌ها و هیستوگرام توزیع آن‌ها، می‌توانیم فرضیات یک مدل رگرسیون خطی را ارزیابی کنیم.

شناسایی روندها (Identifying trends)

در تحلیل سری‌های زمانی، استفاده از نمودارهای زمانی و فصلی بسیار مفید است تا روندهای خاص در طول زمان شناسایی شوند.

ارائه نتایج (Presenting results)

به‌عنوان دیتا ساینتیست، شما نیاز دارید نتایج خود را به‌شرکت یا افراد مرتبط دیگری که در زمینه موضوع کمتری آگاهی دارند، ارائه دهید. بنابراین، باید تمام مطالب را به‌زبان ساده توضیح دهید. می‌توانید از نمودارهای اطلاعاتی استفاده کنید که نتایج را به‌طور خلاصه نمایش دهند.

مثال‌هایی از تجسم داده در دیتا ساینس

در ادامه چند نمونه معروف از دیتاویژوالیزیشن را می‌توان ذکر کرد:
گزارشات آب و هوا: در گزارشات آب و هوا، استفاده از نقشه‌ها و سایر نوع نمودارها بسیار رایج است.
وبسایت‌های اینترنتی: وبسایت‌های تحلیل رسانه‌های اجتماعی مانند Social Blade و Google Analytics از تکنیک‌های تجسم داده برای تحلیل و مقایسه عملکرد وبسایت‌ها استفاده می‌کنند.
ستاره‌شناسی: سازمان فضایی آمریکا (NASA) در گزارشات و ارائه‌های خود از تکنیک‌های پیشرفته تجسم داده استفاده می‌کند.
جغرافیا
صنعت بازی‌های رایانه‌ای

خلاصه کلام

تحلیل‌گران داده و دیگر پژوهشگران داده می‌توانند بهترین و مفیدترین اطلاعات موجود را جمع‌آوری کنند؛ اما اگر مشتریان و کاربران قادر به‌درک آنها نباشند، این تلاش‌ها بیهوده خواهد بود. بنابراین، اطلاعات باید به‌شکلی ارائه شوند که افراد عادی قادر به‌درک آنها باشند.
در همین راستا، ما از تجسم داده استفاده می‌کنیم. همانطور که اصطلاح قدیمی می‌گوید، "یک تصویر ارزش هزار کلمه دارد." تجسم داده به‌ما در رسم آن تصویر کمک می‌کند و باعث درک بهتری می‌شود.