大きなN、離散データ、および多くの変数がある場合、散布図行列から情報を抽出する方法は？

私は乳がんのデータセットをいじって、すべての属性の散布図を作成して、（赤）のクラスmalignant（青）の予測に最も影響を与えるものを把握しましたbenign。

行がx軸を表し、列がy軸を表すことを理解していますが、この散布図のデータまたは属性についてどのような観測ができるかわかりません。

この散布図からのデータを解釈/観察するためのヘルプ、またはこのデータを視覚化するために他の視覚化を使用する必要があるかどうかを探しています。

使用したRコード

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)

これが役立つかどうかはわかりませんが、プライマリEDAの場合、tabplotパッケージが本当に気に入っています。データ内に存在する可能性のある可能性のある相関関係を把握できます。

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

散布図行列から使用可能な情報を抽出することを困難または不可能にする多くの問題があります。

一緒に表示されている変数が多すぎます。 散布図行列に多くの変数がある場合、各プロットは小さすぎて役に立たなくなります。注目すべきことは、多くのプロットが複製され、スペースを浪費していることです。また、すべての組み合わせを確認する必要がありますが、それらをすべて一緒にプロットする必要はありません。散布図行列を4または5の小さなブロックに分割できることに注意してください（便利に視覚化できる数）。ブロックごとに1つずつ、複数のプロットを作成する必要があります。

空間内の離散点に多くのデータがあるため、それらは互いに重なり合ってしまいます。したがって、各場所にあるポイントの数はわかりません。これに対処するのに役立ついくつかのトリックがあります。

1. $.5$
2. データが多すぎると、ジッタリングによってパターンを識別しにくくなります。彩度は高いが、これを考慮してほとんど透明な色を使用できます。積み重ねられたデータが多い場合は色が濃くなり、密度が少ない場合は色が薄くなります。
3. 透明度を機能させるには、データを表示するために塗りつぶしの記号が必要ですが、Rはデフォルトで中空の円を使用します。

これらの戦略を使用して、Rコードの例と作成されたプロットを次に示します。

# 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) }
    }
  }

1つのプロットで3〜4を超える次元を視覚化することは困難です。1つのオプションは、主成分分析（PCA）を使用してデータを圧縮し、メインディメンションで視覚化することです。Rにはいくつかの異なるパッケージ（および基本prcomp関数）があり、これを構文的に簡単にします（CRANを参照）。プロット、ローディングの解釈は別の話ですが、10変数の順序散布図行列よりも簡単だと思います。