Исследовательский анализ данных

В статистике исследовательский анализ данных (EDA) — это подход к анализу наборов данных для обобщения их основных характеристик, часто с использованием статистической графики и других методов визуализации данных . Статистическая модель может использоваться или нет, но в первую очередь EDA предназначена для того, чтобы увидеть, что данные могут сказать нам за пределами формального моделирования, и тем самым контрастирует с традиционной проверкой гипотез. Исследовательский анализ данных продвигался Джоном Тьюки с 1970 года, чтобы побудить статистиков исследовать данные и, возможно, сформулировать гипотезы, которые могли бы привести к сбору новых данных и экспериментам. EDA отличается от анализа исходных данных (IDA) , который более узко фокусируется на проверке предположений, необходимых для подбора модели и проверки гипотез, а также на обработке пропущенных значений и преобразовании переменных по мере необходимости. EDA включает в себя IDA.

Обзор

Тьюки определил анализ данных в 1961 году как: «Процедуры анализа данных, методы интерпретации результатов таких процедур, способы планирования сбора данных, чтобы сделать их анализ проще, точнее или точнее, а также все механизмы и результаты ( математическая) статистика, которая применяется для анализа данных».

Исследовательский анализ данных — это метод анализа, позволяющий анализировать и исследовать набор данных и суммировать основные характеристики набора данных. Основным преимуществом EDA является обеспечение визуализации данных после проведения анализа.

Поддержка Тьюки EDA способствовала разработке пакетов статистических вычислений , особенно S в Bell Labs . вдохновил системы S-PLUS и R. Язык программирования S Это семейство статистических вычислительных сред отличалось значительно улучшенными возможностями динамической визуализации, что позволило статистикам выявлять выбросы , тенденции и закономерности в данных, заслуживающие дальнейшего изучения.

EDA Тьюки была связана с двумя другими достижениями в статистической теории : устойчивой статистикой и непараметрической статистикой , обе из которых пытались уменьшить чувствительность статистических выводов к ошибкам в формулировании статистических моделей . Тьюки пропагандировал использование пятизначной сводки числовых данных — двух крайних значений ( максимального и минимального ), медианы и квартилей — поскольку эти медиана и квартили, являющиеся функциями эмпирического распределения , определены для всех распределений, в отличие от среднего и квартилей. стандартное отклонение ; более того, квартили и медиана более устойчивы к асимметричному распределению или распределению с тяжелым хвостом , чем традиционные сводные данные (среднее и стандартное отклонение). Пакеты S , S-PLUS и R использующие статистику передискретизации Кенуя и Тьюки , такие как складной нож и Эфрона включали процедуры , бутстрап , которые являются непараметрическими и устойчивыми (для многих задач).

Исследовательский анализ данных, надежная статистика, непараметрическая статистика и развитие языков статистического программирования облегчили работу статистиков над научными и инженерными проблемами. К таким проблемам относились производство полупроводников и понимание сетей связи, которые касались Bell Labs. Эти статистические разработки, все поддержанные Тьюки, были разработаны, чтобы дополнить аналитическую теорию проверки статистических гипотез , особенно акцент лапласовской традиции на экспоненциальных семействах .

Разработка

Блок-схема процесса обработки данных

Джон В. Тьюки написал книгу «Исследовательский анализ данных» в 1977 году. Тьюки считал, что слишком много внимания в статистике уделяется проверке статистических гипотез (анализу подтверждающих данных); больше внимания необходимо уделять использованию данных для выдвижения гипотез для проверки. В частности, он считал, что смешение двух типов анализа и их использование на одном и том же наборе данных может привести к систематической ошибке из-за проблем, присущих проверке гипотез, предложенных данными .

Целями EDA являются:

• Включите неожиданные открытия в данных
• Выдвинуть гипотезы о причинах наблюдаемых явлений.
• Оцените предположения, на которых статистические выводы. будут основаны
• Поддержка выбора соответствующих статистических инструментов и методов.
• Обеспечить основу для дальнейшего сбора данных посредством опросов или экспериментов.

Многие методы EDA были внедрены в интеллектуальный анализ данных . Им также обучают молодых студентов, чтобы познакомить их со статистическим мышлением.

Техники и инструменты

Существует ряд инструментов, полезных для EDA, но EDA характеризуется скорее отношением, чем конкретными методами.

Типичными графическими методами, используемыми в EDA, являются:

• Коробочный сюжет
• Гистограмма
• Многовариантная диаграмма
• График запуска
• Диаграмма Парето
• График рассеяния (2D/3D)
• Участок стебля и листьев
• Параллельные координаты
• Коэффициент шансов
• Целенаправленное проецирование
• Тепловая карта
• Гистограмма
• График горизонта
• Методы визуализации на основе глифов, такие как PhenoPlot. и лица Чернова
• Методы проекции, такие как большой тур, экскурсия с гидом и экскурсия вручную.
• Интерактивные версии этих сюжетов

Уменьшение размерности :

• Многомерное масштабирование
• Анализ главных компонентов (PCA)
• Мультилинейный PCA
• Нелинейное уменьшение размерности (NLDR)
• Иконография корреляций

Типичными количественными методами являются:

• Срединный блеск
• Тримен
• Рукоположение

История

Многие идеи EDA восходят к более ранним авторам, например:

• Фрэнсис Гальтон уделял особое внимание порядковой статистике и квантилям .
• Артур Лайон Боули использовал предшественники основного графика и пятизначную сводку (Боули фактически использовал « семизначную сводку », включая крайние значения, децили и квартили , а также медиану — см. его «Элементарное руководство по статистике» (3-е изд., 1920 г.) ), стр. 62 – он определяет «максимум и минимум, медиану, квартиль и два дециля» как «семь позиций»).
• Эндрю Эренберг сформулировал философию сокращения данных (см. его одноименную книгу).

Курс Открытого университета « Статистика в обществе» (MDST 242) взял вышеизложенные идеи и объединил их с Готфрида Нётера работой , которая представила статистические выводы посредством подбрасывания монеты и медианного теста .

Пример

Результаты EDA ортогональны задаче первичного анализа. Для иллюстрации рассмотрим пример Cook et al. где задача анализа состоит в том, чтобы найти переменные, которые лучше всего предсказывают чаевые, которые посетитель даст официанту. В данных, собранных для этой задачи, доступны следующие переменные: сумма чаевых, общая сумма счета, пол плательщика, зона для курящих/некурящих, время суток, день недели и размер вечеринки. Задача первичного анализа решается путем подбора регрессионной модели, в которой ставка чаевых является переменной отклика. Подогнанная модель

( размер чаевых ) = 0,18–0,01 × (размер вечеринки)

В нем говорится, что по мере увеличения размера обеда на одного человека (что приводит к увеличению счета) ставка чаевых уменьшится в среднем на 1%.

Однако изучение данных выявило и другие интересные особенности, не описанные этой моделью.

• 
  Гистограмма сумм чаевых, где ячейки покрывают приращения в 1 доллар. Распределение значений искажено вправо и унимодально, как это часто бывает при распределениях небольших неотрицательных величин.
• 
  Гистограмма сумм чаевых, где ячейки покрывают приращения в 0,10 доллара. Наблюдается интересный феномен: пики возникают при суммах в целые доллары и в полдоллара, что связано с тем, что клиенты выбирают в качестве чаевых круглые числа. Такое поведение характерно и для других типов покупок, например бензина.
• 
  Диаграмма рассеяния чаевых и счета. Точки под линией соответствуют чаевым, которые ниже ожидаемых (для данной суммы счета), а точки над линией — выше ожидаемых. Мы могли бы ожидать увидеть тесную положительную линейную связь, но вместо этого видим вариацию, которая увеличивается с увеличением суммы чаевых . В частности, в правом нижнем углу больше точек, чем в левом верхнем углу, что указывает на то, что больше клиентов являются очень дешевыми, чем очень щедрыми.
• 
  Диаграмма разброса чаевых и суммы счета с разделением по полу плательщика и статусу секции для курящих. Курящие вечеринки имеют гораздо больше разнообразия в чаевых, которые они дают. Мужчины, как правило, платят (несколько) более высокие счета, а некурящие женщины, как правило, очень регулярно дают чаевые (за тремя заметными исключениями, показанными в выборке).

То, что мы узнаем из графиков, отличается от того, что иллюстрирует регрессионная модель, хотя эксперимент не был предназначен для изучения каких-либо других тенденций. Закономерности, обнаруженные в результате изучения данных, позволяют предположить гипотезы о чаевых, которые, возможно, не были предвидены заранее, и которые могут привести к интересным последующим экспериментам, в которых гипотезы формально формулируются и проверяются путем сбора новых данных.

Программное обеспечение

• JMP , пакет EDA от Института SAS .
• KNIME , Konstanz Information Miner — платформа для исследования данных с открытым исходным кодом, основанная на Eclipse.
• Minitab — пакет EDA и общей статистики, широко используемый в промышленных и корпоративных условиях.
• Orange — с открытым исходным кодом пакет программного обеспечения для анализа данных и машинного обучения .
• Python — язык программирования с открытым исходным кодом, широко используемый в интеллектуальном анализе данных и машинном обучении.
• R — язык программирования с открытым исходным кодом для статистических вычислений и графики. Вместе с Python один из самых популярных языков для анализа данных.
• TinkerPlots — программное обеспечение EDA для учащихся старших классов начальной и средней школы.
• Weka — пакет интеллектуального анализа данных с открытым исходным кодом, который включает в себя инструменты визуализации и EDA, такие как целевое прогнозирование .

См. также

• Квартет Анскомба о важности исследований
• Извлечение данных
• Прогнозная аналитика
• Анализ структурированных данных (статистика)
• Конфигурационный частотный анализ
• Описательная статистика

Библиография

• Андриенко Н. и Андриенко Г. (2005) Исследовательский анализ пространственных и временных данных. Системный подход . Спрингер. ISBN   3-540-25994-5
• Кук, Д. и Суэйн, Д.Ф. (совместно с А. Буджой, Д. Темпл Лэнгом, Х. Хофманном, Х. Уикхэмом, М. Лоуренсом) (12 декабря 2007 г.). Интерактивная и динамическая графика для анализа данных: с помощью R и GGobi . Спрингер. ISBN  9780387717616 . {{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
• Кук, Д. и Суэйн, Д.Ф. (совместно с А. Буджой, Д. Темпл Лэнгом, Х. Хофманном, Х. Уикхэмом, М. Лоуренсом) (12 декабря 2007 г.). Интерактивная и динамическая графика для анализа данных: с помощью R и GGobi. Спрингер. ISBN 9780387717616.
• Хоглин, округ Колумбия; Мостеллер, Ф. и Тьюки, Джон Уайлдер (редакторы) (1985). Изучение таблиц данных, тенденций и фигур. ISBN 978-0-471-09776-1.
• Хоглин, округ Колумбия; Мостеллер, Ф. и Тьюки, Джон Уайлдер (редакторы) (1983). Понимание надежного и исследовательского анализа данных. ISBN 978-0-471-09777-8.
• Янг, Ф. В. Валеро-Мора, П. и Френдли М. (2006) Визуальная статистика: просмотр данных с помощью динамической интерактивной графики. Wiley ISBN 978-0-471-68160-1 Джамбу М. (1991) Исследовательский и многомерный анализ данных. ISBN Академического издательства 0123800900
• SHC DuToit, AGW Steyn, RH Stumpf (1986) Графический исследовательский анализ данных. ISBN Спрингера 978-1-4612-9371-2
• Хоглин, округ Колумбия; Мостеллер, Ф. и Тьюки, Джон Уайлдер (редакторы) (1985). Изучение таблиц данных, тенденций и фигур . Уайли. ISBN  978-0-471-09776-1 . {{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
• Хоглин, округ Колумбия; Мостеллер, Ф. и Тьюки, Джон Уайлдер (редакторы) (1983). Понимание надежного и исследовательского анализа данных . Уайли. ISBN  978-0-471-09777-8 . {{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
• Инзельберг, Альфред (2009). Параллельные координаты: визуальная многомерная геометрия и ее приложения . Лондон Нью-Йорк: Спрингер. ISBN  978-0-387-68628-8 .
• Лейнхардт Г., Лейнхардт С. Исследовательский анализ данных: новые инструменты анализа эмпирических данных , Обзор исследований в области образования, Vol. 8, 1980 (1980), стр. 85–157.
• Мартинес, WL ; Мартинес, А.Р. и Солка, Дж. (2010). Исследовательский анализ данных с помощью MATLAB, второе издание . Чепмен и Холл/CRC. ISBN  9781439812204 .
• Теус М., Урбанек С. (2008), Интерактивная графика для анализа данных: принципы и примеры, CRC Press, Бока-Ратон, Флорида, ISBN   978-1-58488-594-8
• Такер, Л; МакКаллум, Р. (1993). Исследовательский факторный анализ .
• Тьюки, Джон Уайлдер (1977). Исследовательский анализ данных . Аддисон-Уэсли. ISBN  978-0-201-07616-5 .
• Веллеман, П.Ф.; Хоглин, округ Колумбия (1981). Приложения, основы и вычисления исследовательского анализа данных . Даксбери Пресс. ISBN  978-0-87150-409-8 .
• Янг, Ф. В. Валеро-Мора, П. и Френдли М. (2006) Визуальная статистика: просмотр данных с помощью динамической интерактивной графики . Уайли ISBN   978-0-471-68160-1
• Джамбу М. (1991) Исследовательский и многомерный анализ данных . Академическая пресса ISBN   0123800900
• SHC DuToit, AGW Steyn, RH Stumpf (1986) Графический исследовательский анализ данных . Спрингер ISBN   978-1-4612-9371-2

Внешние ссылки

• Университет Карнеги-Меллона - бесплатный онлайн-курс по теории вероятности и статистике с модулем EDA.
• • Глава разведочного анализа данных: справочник по инженерной статистике.