平行座標プロットの簡単な説明

私は多くの平行座標プロットを読んで見ました。誰かが次の一連の質問に答えることができますか？

1. 素人が理解できるように、単純な言葉での平行座標プロット（PCP）とは何ですか？
2. 可能であればいくつかの直観を伴う数学的説明
3. PCPはいつ有用で、いつ使用するのですか？
4. PCP が役に立たないのはいつですか？
5. PCPの考えられる長所と短所

PCPの主な機能は、個人の同質のグループを強調すること、または逆に（二重空間では、PCAとの類推により）異なる変数の特定の関連パターンを強調することであると思われます。変数が多すぎない場合、多変量データセットの効果的なグラフィカルな要約を生成します。変数は、標準化された変数を使用するのと同等の固定範囲（通常0〜1）に自動的にスケーリングされます（スケーリングの問題による1つの変数が他の変数に影響を与えるのを防ぐため）。変数> 10）の場合、マイクロアレイ研究で使用される変動プロットやヒートマップなど、他のディスプレイを必ず見る必要があります。

次のような質問に答えるのに役立ちます。

• 特定のクラスメンバーシップ（例：性差）によって説明される個々のスコアの一貫したパターンはありますか？
• $X_1$$X_2$ます）？

次のアイリスデータのプロット花弁の長さと幅を考慮すると種（ここでは異なる色で表示）が非常に判別可能なプロファイルを示していること、またはアイリスセトサ（青）が花弁の長さに関してより均一であることが明確にわかります（すなわち、それらの分散はより低いです）。

PCAのような分類または次元削減手法のバックエンドとしても使用できます。ほとんどの場合、PCAを実行するとき、機能スペースを削減することに加えて、個人のクラスターを強調表示することも必要です（たとえば、変数の組み合わせで体系的に高いスコアを獲得する個人がいます）。これは通常、因子スコアにある種の階層クラスタリングを適用し、階乗空間で結果のクラスターメンバーシップを強調表示することで低下します（FactoClass Rパッケージを参照）。

また、クラスタグラムで使用されます（非階層的および階層的クラスタ分析の視覚化、クラスターの数を増やしたときにクラスターの割り当てがどのように変化するかを調べることを目的としています（実際に使用されている凝集型の階層的クラスター化の停止基準は？）

このようなディスプレイは、通常の散布図（構造上2D関係に制限されています）にリンクされている場合にも役立ちます。これはブラッシングと呼ばれ、GGobiデータ視覚化システムまたはモンドリアンソフトウェアで利用できます。

質問3、4、および5に関しては、この作品をご覧になることをお勧めします

平行座標でのパターンの認識：関係の識別のしきい値の決定：ジミーヨハンソン、カミラフォーセル、マッツリンド、マシュークーパーイン インフォメーションビジュアライゼーション、Vol。7、No. 2.（2008）、pp。152-162。

調査結果を要約すると、人々は各ノード間の関係の勾配の方向を特定することはできますが、関係の強さや勾配の程度を特定することはできません。彼らは、人々がまだ記事の関係を解読できるノイズのレベルを提案します。残念ながら、この記事では、chlが示すような色によるサブグループの識別については説明していません。

ご覧くださいhttp://www.cs.tau.ac.il/~aiisreal/をし、また新しい本を見て

Parallel Coordinates-この本は視覚化に関するもので、幻想的な人間のパターン認識を体系的に問題解決プロセスに組み込んでいます... www.springer.com/math/cse/book/978-0-387-21507-5。

インチ。10平行座標（略称|| -cs）の使用方法を示す多変量データを使用した実例が多数あります。また、ポイントセットだけでなく、多変量/多次元の関係（サーフェス）を視覚化して操作するための数学のいくつかを学ぶ価値があります。メビウスの帯、凸面セットなど、多くの次元でよく知られているオブジェクトの類似物を見て、作業するのは楽しいです。

要するに、|| -csは、軸が互いに平行であり、多くの軸が見えるようにする多次元座標系です。この方法論は、航空管制、コンピュータービジョン、プロセス制御、意思決定支援の競合解決アルゴリズムに適用されています。