Skip to Main Content
データサイエンス設計マニュアル
book

データサイエンス設計マニュアル

by Steven S. Skiena, 小野 陽子, 長尾 高弘
January 2020
Beginner to intermediate content levelBeginner to intermediate
728 pages
10h 26m
Japanese
O'Reilly Japan, Inc.
Content preview from データサイエンス設計マニュアル
6.3 グラフの種類 165
よりも暗い色になり、さまざまな階調のグレーによるヒートマップになる。
2 の方法は
、個々の点にランダムなノイズを少し加え、もとの位置の周囲の小さな円の中の任意の
位置に配置するというものである。そうすれば、同じ座標を共有する点の数だけ点が描かれ、邪魔な
グリッド線も消える。
多変量データは次元削減して 2 次元にするか、2 変量プロットで表現する:我々にとって、4 次元以
上のデータの可視化は困難だ。高次元データは、主成分分析(Principal Component Analysis)や自己
組織化写像(self-organizing mapSOM)と呼ばれる手法で 2 次元に次元削減すれば散布図に描ける
ことが多い。図 11 -16 はその例である。この図は、100 次元のデータを 2 次元に次元削減し、この多
変量データセットをわかりやすく表現している。
この種のプロットには、他の方法では見られない印象的な形を描けるという長所がある。しかし、得
られた 2 次元データには何の意味もないというところが欠点である。2 つの「新しい」次元にはもと
のすべての次元の意味合いが付与されているため、意味のある変数名を付けられないのである。
もとの次元から 2 つの次元の組合せを抽出して散布図を描く方法もある。図 6 -1 で示したように、こ
の方法には、どの次元の組合せに相関が見られるかがわかるという長所がある。
3 次元散布図が役に立つのは、示すべき構造が本当にあるときだけである ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Start your free trial

You might also like

オブザーバビリティ・エンジニアリング

オブザーバビリティ・エンジニアリング

Charity Majors, Liz Fong-Jones, George Miranda, 大谷 和紀, 山口 能迪
Python機械学習クックブック

Python機械学習クックブック

Chris Albon, 中田 秀基
PythonによるWebスクレイピング 第2版

PythonによるWebスクレイピング 第2版

Ryan Mitchell, 黒川 利明, 嶋田 健志

Publisher Resources

ISBN: 9784873118918Other