Wie extrahiere ich Informationen aus einer Streudiagramm-Matrix, wenn Sie große N, diskrete Daten und viele Variablen haben?

Ich spiele mit dem Brustkrebs-Datensatz herum und habe ein Streudiagramm aller Attribute erstellt, um eine Vorstellung davon zu bekommen, welche die meisten Auswirkungen auf die Vorhersage der Klasse malignant(blau) von benign(rot) haben.

Ich verstehe, dass die Zeile die x-Achse und die Spalte die y-Achse darstellt, aber ich kann nicht sehen, welche Beobachtungen ich über die Daten oder Attribute aus diesem Streudiagramm machen kann.

Ich suche Hilfe bei der Interpretation / Beobachtung der Daten aus diesem Streudiagramm oder wenn ich eine andere Visualisierung verwenden sollte, um diese Daten zu visualisieren.

R-Code, den ich verwendet habe

link   <- "http://www.cs.iastate.edu/~cs573x/labs/lab1/breast-cancer-wisconsin.arff"
breast <- read.arff(link)
cols   <- character(nrow(breast))
cols[] <- "black"
cols[breast$class == 2] <- "red"
cols[breast$class == 4] <- "blue"
pairs(breast, col=cols)

Ich bin mir nicht sicher, ob dies für Sie hilfreich ist, aber für die primäre EDA gefällt mir das tabplotPaket wirklich . Gibt Ihnen einen guten Überblick über mögliche Korrelationen in Ihren Daten.

install.packages("tabplot")
tableplot(breast) # gives you the unsorted image below
tableplot(breast, sortCol="class") # gives you a sorted image according to class

Es gibt eine Reihe von Problemen, die es schwierig oder unmöglich machen, verwendbare Informationen aus Ihrer Streudiagramm-Matrix zu extrahieren.

Sie haben zu viele Variablen zusammen angezeigt. Wenn eine Streudiagrammmatrix viele Variablen enthält, wird jedes Diagramm zu klein, um nützlich zu sein. Zu beachten ist, dass viele Diagramme dupliziert werden, was Platz verschwendet. Auch wenn Sie jede Kombination sehen möchten, müssen Sie sie nicht alle zusammen zeichnen. Beachten Sie, dass Sie eine Streudiagramm-Matrix in kleinere Blöcke von vier oder fünf aufteilen können (eine Zahl, die sinnvollerweise sichtbar ist). Sie müssen nur mehrere Diagramme erstellen, eines für jeden Block.

Da Sie viele Daten an diskreten Punkten im Raum haben , werden diese übereinander gestapelt. Sie können also nicht sehen, wie viele Punkte sich an jedem Ort befinden. Es gibt verschiedene Tricks, die Ihnen dabei helfen.

1. $.5$
2. Bei so vielen Daten ist es selbst bei Jitter schwierig, die Muster zu erkennen. Sie können Farben verwenden, die stark gesättigt, aber weitgehend transparent sind , um dies zu berücksichtigen. Wenn viele Daten übereinander gestapelt sind, wird die Farbe dunkler, und wenn die Dichte gering ist, ist die Farbe heller.
3. Damit die Transparenz funktioniert, benötigen Sie durchgezogene Symbole , um Ihre Daten anzuzeigen, während R standardmäßig hohle Kreise verwendet.

Mit diesen Strategien finden Sie hier ein Beispiel für einen R-Code und die erstellten Diagramme:

# the alpha argument in rgb() lets you set the transparency
cols2 = c(rgb(red=255, green=0, blue=0,   alpha=50, maxColorValue=255),
          rgb(red=0,   green=0, blue=255, alpha=50, maxColorValue=255) )
cols2 = ifelse(breast$class==2, cols2[1], cols2[2])
# here we jitter the data
set.seed(6141)  # this makes the example exactly reproducible
jbreast = apply(breast[,1:9], 2, FUN=function(x){ jitter(x, amount=.5) })
jbreast = cbind(jbreast, class=breast[,10])  # the class variable is not jittered

windows()  # the 1st 5 variables, using pch=16
  pairs(jbreast[,1:5], col=cols2, pch=16)

windows()  # the 2nd 5 variables
  pairs(jbreast[,6:10], col=cols2, pch=16)

windows()  # to match up the 1st & 2nd sets requires more coding
  layout(matrix(1:25, nrow=5, byrow=T))
  par(mar=c(.5,.5,.5,.5), oma=c(2,2,2,2))
  for(i in 1:5){
    for(j in 6:10){
      plot(jbreast[,j], jbreast[,i], col=cols2, pch=16, 
           axes=F, main="", xlab="", ylab="")
      box()
      if(j==6 ){ mtext(colnames(jbreast)[i], side=2, cex=.7, line=1) }
      if(i==5 ){ mtext(colnames(jbreast)[j], side=1, cex=.7, line=1) }
      if(j==10){ axis(side=4, seq(2,10,2), cex.axis=.8) }
      if(i==1 ){ axis(side=3, seq(2,10,2), cex.axis=.8) }
    }
  }

Es ist schwierig, mehr als 3-4 Dimensionen in einem einzigen Diagramm zu visualisieren. Eine Möglichkeit wäre die Verwendung der Hauptkomponentenanalyse (PCA), um die Daten zu komprimieren und sie dann in den Hauptdimensionen zu visualisieren. Es gibt verschiedene Pakete in R (sowie die prcompBasisfunktion), die dies syntaktisch einfach machen ( siehe CRAN ); Das Interpretieren der Diagramme und Ladungen ist eine andere Geschichte, aber ich denke einfacher als eine 10-variable ordinale Streudiagramm-Matrix.