数据中台数据中台
申请试用
新闻动态
了解袋鼠云最新动态
新闻动态>「数据可视化」大数据情况下数据可视化方式科学研究>
「数据可视化」大数据情况下数据可视化方式科学研究
20201222|文章来源:-

「数据可视化」大数据情况下数据可视化方式科学研究,伴随着大数据时期的来临,数据造成的速率呈平行线升高,数据海量化分析已变成难以避免的发展趋向。数据大幅度提升对数据解决、数据发掘及其数据可视化等全是一个巨大的挑戰。现阶段,数据可视化遭遇高维空间数据愈来愈多,数据量越来越大,数据类型愈来愈多等多种多样挑戰。对于这种难题,明确提出了一种Radviz数据可视化方式,将高维空间数据样版离散系统的投射到二维总体目标室内空间,可以迅速寻找非常容易被权威人物认同的可视化实体模型。可是传统式的Radviz可视化方式将属性值分布均匀在圆上上导致属性间的值互相相抵,进而造成 数据遮住度很大及可视化图型有内缩发展趋势等难题。文中明确提出了一种新的改善的Radviz可视化方式,改善的方式提高属性了间的协力,减少了数据遮住度,促使初始数据集的特点可以能够更好地维持。

1数据可视化

「数据可视化」大数据情况下数据可视化方式科学研究,数据可视化技术性问世于二十世纪八十年代,是应用电子计算机图象处理和图象处理等技术性,以数据图表、地形图、动漫或别的使內容更非常容易了解的图型方法来表明数据,使数据所表述的內容更为非常容易被解决。数据可视化技术性与虚拟现实技术技术性、数据发掘、人工智能技术,乃至与人类基因组方案等最前沿课程行业都拥有 紧密的联络[1]。现阶段数据可视化技术性大致能够分成5类:根据几何图形投射可视化技术性、朝向清晰度可视化技术性、根据标志可视化技术性、根据层级可视化技术性及其根据图型可视化技术性[2]。

数据可视化的简单工作图如图所示1所显示:

2传统式的Radviz可视化方式剖析

Radviz(RadialCoordinateVisualization)是一种根据弹黄实体模型的可视化方式,Radviz是将一系列高维空间的点根据离散系统方式投射到二维空间,完成在平面图中对多维数据可视化的一种数据统计分析方法。自打Ankerst于1996年明确提出Radviz技术性至今,Radviz技术性获得了非常大的发展趋势,被广泛运用于可视化剖析和数据发掘等行业。近些年也是把Radviz技术性应用到基因的表达数据的归类上,且获得了优良的归类实际效果[3]。

2.1传统式Radviz实体模型

「数据可视化」大数据情况下数据可视化方式科学研究,經典的Radviz方式一般应用在平行面平面坐标上,将一系列具备多层次属性的点根据离散系统方式投射到二维空间,使大家得到用人眼观查。如图2所显示,设n个特点自变量任意匀称地遍布在企业圆上上(如n=6),记为~,如今假定n个弹性系数不一样的弹黄一端所有固定不动在一个圆球上,另一端各自固定不动在~。假设第j根弹黄针对观测点i的弹性系数为,假如观测点固定不动在圆内的一个平衡位置,那麼(,)便是n维空间(,…,)在二维空间的投射,便完成了一个n维数据转换到二维座标的Radviz可视化[3]。

在其中,表明任意分布均匀在企业圆上上的矩阵的特征值;企业圆上表明一个二维空间;O表明矩阵的特征值投射在二维空间上的均衡点。

依据胡克定律,对一个弹黄来讲,圆球所遭受的弹性在于弹黄拉申的长短(矢量素材)和弹黄的弹性系数(标量),当圆球原地不动时,则说明其遭受全部弹黄的协力为零。对于此事可获得以下公式计算:

在其中xj表明第j个自变量在二维空间的圆上上的座标,pi表明第i个观测点在圆内二维空间平衡位置的座标。公式计算(2-2)表明第i个观察的平衡位置,式(2-3)表明观察均衡位置向量pi为各自变量的座标部位的加权平均值。为了更好地防止负数的出現,经常选用归一化的方式,将要最高值和极小值归到1和0,归一化后的全部得标值都坐落于[0,1]中间[4]。归一化公式为:

从所述公式计算剖析,我们可以得到以下结果:

(1)层面值越大,那麼该投射部位将更挨近该层面在圆上上的部位;

(2)更改圆上上的属性,将危害投射的部位;

传统式的Radviz可视化方式测算复杂性低;可显示信息层面大;类似多维目标的投射点十分贴近,非常容易发觉聚类算法信息内容;形象化便于了解。可是传统式的Radviz方式也存有一些不够,该方式受数据自身及数据集的种类危害,当类似的数据集或成占比的数据集较多时,数据遮住度会非常大,可能危害对初始数据集的特点维持[5.6]。

3改善的Radviz可视化方式剖析

传统式的Radviz可视化方式受数据自身和数据集种类的危害,一旦类似数据集或成占比的数据集较多,数据遮住度便会非常大,那麼初始数据集的特点可能被危害,导致这类状况的缘故是传统式Radviz实体模型属性间的相互影响提升了数据流动量,使数据遮盖和反复几率扩大,进而危害初始数据集的特点。对于此事,文中明确提出了一种改善的Radviz实体模型,新的实体模型降低了属性间的相互影响,进而使可视化結果更为贴近数据集的原来特点。

3.1改善的Radviz实体模型

改善实体模型采用1/4圆来相匹配n维空间,针对一个n维数据集,那麼就将1/4圆n等分,即每一个点表明一个层面,随后根据弹黄实体模型来将数据集投射到二维平面图的1/4圆中。可是每一个点都在1/4弧形上,则有可能最终的均衡点不在1/4圆内,那麼就必须一个支撑点来促使均衡点一定落在1/4内,这儿把起点设为支撑点。如四维数据集,电路原理图以下:

在图3中,X、Y轴各自表明投射点的横、纵轴;起点表明用于使均衡点一定落在1/4圆内的支撑点;Mi表明数据集的每一个层面;O表明数据集在1/4圆上上的均衡点;h(x,y)表明均衡点O的座标涵数。

3.2改善Radviz可视化方式的完成

3.2.1数据预备处理

最先要对数据集开展预备处理,把非数据转换为数据,随后对数据集开展归一化处理,促使数据集中的全部数据都会[0,1]中间。文中选用的归一化公式为:

3.2.2支撑点弹性系数

传统式的Radviz实体模型沒有支撑点,自然也就无需设置支撑点弹性系数。可是,在改善的Radviz实体模型中全部的属性都在1/4圆上,她们所遭受的弹性都会一侧,没法促使均衡点落在1/4圆内,因此 必须出示一个支撑点,来出示一个弹性来促使均衡点落在1/4圆内。文中明确提出了一种全局性平均值的支撑点弹性系数优化算法,全距平均值便是全部属性中最高值和极小值的平均值之和,它能够使数据可视化投射点处在垂直居中的部位,便捷进一步的数据解决。全距平均值的计算方法:

3.2.3新的均衡点座标测算

在其中,圆的半径为1,p表明弹黄弹性系数,k表明第i个数据中第t个属性的值,2个三角函数表明第t个属性沿纵坐标的份量[7.8]。再由协力为零,获得投射座标的公式计算为:

3.3改善Radviz实体模型与传统式Radviz实体模型较为

传统式的Radviz实体模型是把全部属性任意分布均匀在一个圆上上,那麼属性中间的交角全是锐角,那么就促使属性的投射值低于它的初值,这就造成 属性值的弹着点更挨近小圆圈,提升了数据遮住度,最后造成 获得的数据可视化实际效果较弱。而改善的Radviz实体模型是把全部的属性分布均匀在1/4圆上上,属性间的交角便是一个钝角,换句话说属性的投射值不小于初值,这就促使属性值的弹着点比初值更杜绝起点,这就减少了数据遮住度,最后获得的数据可视化实际效果就更强。

总的来说,改善的Radviz数据可视化方式更强,即能够更好地维持了数据集的初始特点,又能获得更强的可视化实际效果;为数据可视化的科学研究明确提出了一种更强的方式,促使数据可视化更为非常容易,获得的結果更为靠谱。

4汇总

文中在科学研究传统式的Radviz数据可视化方式的基本上,融合传统式方式的优势,得出了一种改善的Radviz数据可视化方式,并对改善可视化方式开展了剖析与较为。解决了传统式方式不可以非常好维持初始数据集特点和数据遮住度提高的难题,促使数据可视化的实际效果更强,为数据可视化明确提出了一种新的参照方式。

免费试用袋鼠云数字化基础软件,开启企业数字化增长之旅
免费试用袋鼠云数字化基础软件,开启企业数字化增长之旅
袋鼠云立体IP
在线咨询
在线咨询
电话咨询
电话咨询
微信社群
微信社群
资料下载
资料下载
返回顶部
返回顶部