机器学习数据可视化
本文档以机器学习Titanic、iris等数据为原型，分析不同数据项，不同维度的情况下，可以展示哪些可视化图表。
1. 单数据项统计
在h2o中统一概述为特征图、总览图、分布图、范围图
1.1 特征图(CHARACTERISTICS)
通过对多种数据类型的测试，总结为特征图，其实是为了统计不同特征项的占比情况
2018-05-21-10-53-51.jpg
特征项分为以下几类：
-
缺失值(Missing)：就是针对当前统计列，缺失的数据量占比
-
负无穷(-Inf)：数据项中，值为负无穷的总量
-
零值(Zero)：一般情况下，一列可能会有很多取值，在
h2o中，只把零值的占比单独拿出来的。 -
正无穷(+Inf)：数据项中，值为正无穷的总量
-
其它(Other)：除去
缺失值跟零值，其它数据项统一为其它
特征图针对数字型、枚举型、字符串型都要展示出来。其中针对枚举型，在统计的时候，需要将枚举做一下转换，数据集中第一个枚举值为0值，剩下的都为其它。
1.2 总览图(SUMMARY)
总览图其实就是分位图，以箱线图(box)的形式展示，统计指标为min,q1,q2,q3,max。
2018-05-21-11-10-42.jpg
总览图只针对数字型的进行展示，其它数据类型不展示。四分位的统计一般有两种算法N+1和N-1两种，我不知道我们会选哪一种。
-
q1：四分之一位
-
q2：四分之二位
-
q3：四分之三位
1.3 分布图(DISTRIBUTION)
其实就是直方图，统计不同区间（间隔）内，数据的分布情况：
2018-05-21-11-16-22.jpg
因为它统计的是不同区间内的数据分布，所以x轴的区间分布是连续的，这是与普通柱状图最大的不同，分布图也只针对数字型的列进行展示
1.4 范围图(DOMAIN (MAX 1000 LEVELS))
范围图跟上面的分布图类似，不过在h2o中，将y轴展示为数据取值，x轴展示为统计数量：
2018-05-21-11-21-17.jpg
范围图只统计枚举型的数据项，从图中可以看出，label列不是连续的。
我们系统中，要做到，所有的图表，在某个位置，比如右上角，有一个
查看数据的图标，点击之后，可以查看图表数据明细。
2. 特征值总览统计图
针对特征项的整理统计，我们提供两个统计图，分别是热力图和散点图矩阵
热力图
热力图本身比我们要展示的下图要复杂的多，我们这里只展示特征项之间的相关性。
因为热力图统计的项需要是数字型的，所以我们在展示热力图的特征项选择时，也只能展示特征项为
数字型的特征。
2018-05-21-16-07-47.jpg
热力图展示的是所有特征项之间的相关性，因为自己跟自己肯定是最相关的，所以斜对角线一定是最大值。
展示热力图之前，用户需要配置的参数有：
-
特征项：多选下拉框，默认全选，但如果特征项大于
30个，需要用户手动选择 -
色版取值范围：默认为空
-
是否展示相关性数值：默认为展示
散点图矩阵
同样是展示特征项之间关系的一种图形，可以直观的看到哪些特征与标签项最为关联：
2018-05-21-16-28-46.jpg
用户需要配置的参数有：
-
特征项：多选下拉框，默认全选，但如果特征项大于
10个，需要用户手动选择 -
标签项：单选下拉框，不必选，如果没有选择的话，出来的展示只有一种颜色
-
对角线子图：单选下拉框，默认选中
hist，即上图中展示的图形，还可以选择kde密度曲线 -
non-identity关系图：单选下拉框，默认不选择，可选项有：
scatter和reg
如果对角线子图选择密度曲线的话，展示图形如下图：
2018-05-21-16-44-36.jpg
如果non-identity关系图选择为reg的话，展示如下：
2018-05-21-16-46-59.jpg
3. 自定义统计图
在分析自定义统计图可以怎么设计之前，先分析seaborn中各种类型图形，分别支持什么样的参数，以决定我们在界面中，可以展示哪些。
| 图形类型 | 类型 | x取值 | y取值 | 分类列（标签列） | 多图分类列 | kind | 堆叠 | 其它 |
|---|---|---|---|---|---|---|---|---|
| factorplot | 表格图 | ✔ | ✔ | ✔ | ✔ | {point, bar, count, box, violin, strip} | ✘ | {size,aspect,orient,palette等} |
| lmplot | 表格图 | ✔ | ✔ | ✔ | ✔ | ✘ | ✘ | {size,aspect,palette,markers等} |
| jointplot | 表格图 | ✔ | ✔ | ✘ | ✘ | {scatter,reg,resid,kde,hex } | ✘ | { size,aspect,space,color等} |
| stripplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {jitter,linewidth,palette,dodge ,size,marker,edgecolor,alpha等} |
| swarmplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {color,palette,dodge,orient, size,edgecolor,linewidth等} |
| boxplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient, size,linewidth等} |
| violinplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient,inner, width,linewidth,split,scale等} |
| lvplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient, width,linewidth等} |
| pointplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient,join,estimator, markers,linestyles,width,linewidth等} |
| barplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient,estimator, color,width,linewidth等} |
| countplot | 分类图 | ✔ | ✔ | ✔ | ✘ | ✘ | ✔ | {order,palette,dodge,orient, color,facecolor,edgecolor等} |
| distplot | 分布图 | ✔ | ✘ | ✘ | ✘ | ✘ | ✘ | {hist,kde,rug,fit,color,vertical等} |
| kdeplot | 分布图 | ✔ | ✔ | ✘ | ✘ | ✘ | ✘ | {shade,cbar,color,vertical等} |
| regplot | 回归图 | ✔ | ✔ | ✘ | ✘ | ✘ | ✘ | {color,marker,x_jitter,x_estimator ,order,ci等} |
| heatmap | 矩阵图 | ✘ | ✘ | ✘ | ✘ | ✘ | ✘ | {annot,vmin,vmax,cmap,center, fmt,cbar,square等} |
分析上面的表格，基本我们可以看到不同类型的表格需要不同的参数，但是可以划为几个大类。所以针对自定义数据统计，我打算分下面几个步骤：
-
首先需要选择
图表类型，不同的图表类型，下面的参数设置要有区分。 -
x列：基本都需要选择，除了
heatmap -
y列：针对
表格图都需要选择，针对分类图，不是必选项 -
标签列：对应
seaborn中的hue，也就是按哪一列分类统计，不是必选项 -
多图分类列：只有
factorplot和lmplot是可选的，单选下拉框 -
kind图类型：针对
factorplot可以下拉选择{point, bar, count, box, violin, strip}；针对jointplot可以下拉选择scatter,reg,resid,kde,hex -
堆叠：即一次画多个图，针对
分类统计图有效，单选下拉框，可选项为{point, bar, count, box, violin, strip} -
其它自定义参数：我感觉可以一个
textarea输入框搞定，随便用户输入
1. 需要支持多图重叠，需要列出哪些图可以重叠！重叠图形应该不能超过两个，否则应该很乱。
2. 在
countplot中，x和y只需要设计一个。
3. 在
point, bar, count, box, violin, strip这些分类统计图中，x和y可以只设置一个，相对的y和x其实取值就是count。
