បច្ចេកទេសមើលឃើញទិន្នន័យក្នុងស្ថិតិ
ការមើលឃើញទិន្នន័យគឺជាសមាសធាតុដ៏សំខាន់មួយនៃស្ថិតិសម័យទំនើប។ ក្នុងចំណោមទិន្នន័យដ៏ច្រើនសន្ធឹកសន្ធាប់ពីការស្ទង់មតិ ការពិសោធន៍ ប្រតិបត្តិការឌីជីថល និងឧបករណ៍ចាប់សញ្ញា បញ្ហាប្រឈមចម្បងមិនត្រឹមតែជាការគណនាលេខប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងបង្ហាញពីអត្ថន័យនៅពីក្រោយពួកវាផងដែរ។ នេះជាកន្លែងដែលការមើលឃើញទិន្នន័យចូលមក៖ ការបំលែងទិន្នន័យឆៅទៅជាការបង្ហាញដែលអាចយល់បាន ជួយស្វែងរកលំនាំ រកឃើញភាពមិនប្រក្រតី ប្រៀបធៀបក្រុម និងគាំទ្រការសម្រេចចិត្តដោយផ្អែកលើភស្តុតាង។ អត្ថបទនេះពិភាក្សាអំពីបច្ចេកទេសមើលឃើញទិន្នន័យទូទៅនៅក្នុងស្ថិតិ គោលបំណងរបស់វា និងគោលការណ៍សម្រាប់ធានាថាការមើលឃើញមិនបំភាន់។
១. តួនាទីនៃការមើលឃើញទិន្នន័យនៅក្នុងស្ថិតិ
នៅក្នុងស្ថិតិ ការមើលឃើញត្រូវបានប្រើនៅដំណាក់កាលជាច្រើននៃការវិភាគ។ ទីមួយ ក្នុងអំឡុងពេលវិភាគទិន្នន័យស្វែងយល់ (EDA) ក្រាហ្វជួយអ្នកវិភាគឱ្យយល់អំពីការចែកចាយ ការប្រែប្រួល ភាពមិនប្រក្រតី និងទំនាក់ទំនងរវាងអថេរមុនពេលបង្កើតគំរូ។ ទីពីរ ការមើលឃើញត្រូវបានប្រើដើម្បីបង្ហាញលទ្ធផល៖ របាយការណ៍ស្រាវជ្រាវ បទបង្ហាញអាជីវកម្ម និងការបោះពុម្ពផ្សាយវិទ្យាសាស្ត្រតម្រូវឱ្យមានក្រាហ្វច្បាស់លាស់ដើម្បីយល់បានយ៉ាងឆាប់រហ័សនូវការរកឃើញសំខាន់ៗ។ ទីបី ការមើលឃើញក៏មានសារៈសំខាន់ផងដែរសម្រាប់ការផ្ទៀងផ្ទាត់គំរូ ឧទាហរណ៍ តាមរយៈគំនូសតាងដែលនៅសេសសល់ គំនូសតាងព្យាករណ៍ទល់នឹងក្រាហ្វជាក់ស្តែង ឬក្រាហ្វវិនិច្ឆ័យផ្សេងទៀត។
ម្យ៉ាងវិញទៀត ការមើលឃើញទិន្នន័យមិនមែនគ្រាន់តែជា "ការតុបតែង" នៃរបាយការណ៍នោះទេ ប៉ុន្តែជាឧបករណ៍វិភាគដែលមានឥទ្ធិពលលើគុណភាពនៃការសន្និដ្ឋានស្ថិតិ។
២. បច្ចេកទេសមើលឃើញសម្រាប់ទិន្នន័យអថេរតែមួយ (អថេរមួយ)
នៅពេលដែលការផ្តោតអារម្មណ៍នៃការវិភាគគឺស្ថិតនៅលើអថេរតែមួយប៉ុណ្ណោះ គោលដៅចម្បងគឺដើម្បីយល់ពីរូបរាងចែកចាយ មជ្ឈមណ្ឌលទិន្នន័យ និងការរីករាលដាលរបស់វា។
ក. អ៊ីស្តូក្រាម
អ៊ីស្តូក្រាមបង្ហាញពីការចែកចាយទិន្នន័យជាលេខដោយបែងចែកទិន្នន័យទៅជាចន្លោះពេល (ប៊ីន)។ ពីអ៊ីស្តូក្រាម យើងអាចកំណត់ថាតើទិន្នន័យមានលក្ខណៈស៊ីមេទ្រី លំអៀងទៅស្តាំ ឬឆ្វេង ឬមានកំពូលច្រើនជាងមួយ (ពហុម៉ូឌុល)។ ការជ្រើសរើសចំនួនប៊ីនគឺមានសារៈសំខាន់ណាស់៖ ប៊ីនតិចពេកអាចលាក់ព័ត៌មានលម្អិត ខណៈពេលដែលប៊ីនច្រើនពេកអាចធ្វើឱ្យក្រាហ្វមានសំឡេងរំខាន។
ខ. គំនូសតាងប្រអប់ (ដ្យាក្រាមប្រអប់)
ប្រអប់ផ្លាតសង្ខេបទិន្នន័យដោយប្រើមេឌីយ៉ាន ក្វាទីល និងអፓទីល។ បច្ចេកទេសនេះមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការកំណត់អត្តសញ្ញាណបំរែបំរួល និងអፓទីលយ៉ាងរហ័ស។ នៅក្នុងស្ថិតិ ប្រអប់ផ្លាតគឺជាឧបករណ៍ស្តង់ដារសម្រាប់ប្រៀបធៀបការចែកចាយរវាងក្រុមដោយសារភាពតូចចង្អៀតរបស់វា។
គ. គំនូសដង់ស៊ីតេ (ខ្សែកោងដង់ស៊ីតេ)
ខ្សែកោងដង់ស៊ីតេគឺស្រដៀងគ្នាទៅនឹងអ៊ីស្តូក្រាម ប៉ុន្តែរលោងជាង។ ការមើលឃើញនេះជួយបង្ហាញរូបរាងនៃការចែកចាយដោយមិនពឹងផ្អែកខ្លាំងពេកលើការជ្រើសរើសធុង។ គំនូសដង់ស៊ីតេត្រូវបានប្រើជាញឹកញាប់ដើម្បីប្រៀបធៀបការចែកចាយពីរនៅលើក្រាហ្វតែមួយ។
ឃ. តារាងរបារសម្រាប់ទិន្នន័យប្រភេទ
ចំពោះអថេរប្រភេទ (ឧទាហរណ៍ ភេទ កម្រិតអប់រំ ប្រភេទផលិតផល) តារាងរបារគឺជាជម្រើសដែលពេញចិត្ត។ ត្រូវប្រាកដថាអ័ក្សប្រភេទត្រូវបានរៀបចំតាមឡូជីខល (ឧទាហរណ៍ តាមលំដាប់ធម្មជាតិ ឬភាពញឹកញាប់) ដើម្បីងាយស្រួលអាន។
៣. បច្ចេកទេសមើលឃើញសម្រាប់ការប្រៀបធៀបរវាងក្រុម
នៅក្នុងការសិក្សាស្ថិតិជាច្រើន យើងត្រូវប្រៀបធៀបទិន្នន័យតាមក្រុម (ឧទាហរណ៍ ការព្យាបាលទល់នឹងការគ្រប់គ្រង តំបន់ ក ទល់នឹង ខ ឬថ្នាក់ច្រើន)។
ក. គ្រោងប្រអប់ក្នុងមួយក្រុម
គំនូសតាងប្រអប់មានប្រសិទ្ធភាពខ្លាំងណាស់សម្រាប់ការប្រៀបធៀបមេឌីយ៉ាន ការចែកចាយ និងអសមកាលរវាងក្រុម។ ប្រសិនបើមានក្រុមច្រើន សូមពិចារណាបង្វិលអ័ក្ស ឬប្រើទិសផ្ដេក ដើម្បីធ្វើឱ្យស្លាកងាយស្រួលអានជាង។
ខ. គ្រោងវីយូឡុង
គំនូសតាងវីយូឡុងរួមបញ្ចូលគ្នានូវគំនូសតាងប្រអប់ និងខ្សែកោងដង់ស៊ីតេ ដើម្បីបង្ហាញទាំងសេចក្តីសង្ខេប និងរូបរាងនៃការចែកចាយ។ នេះមានប្រយោជន៍នៅពេលដែលយើងចង់កំណត់ថាតើភាពខុសគ្នារបស់ក្រុមបណ្តាលមកពីរូបរាងចែកចាយផ្សេងៗគ្នាឬអត់។
គ. គំនូសមធ្យម/ចំណុចដែលមានរបារកំហុស
សម្រាប់ការទំនាក់ទំនងសន្និដ្ឋានបន្ថែមទៀត ការគូសមធ្យមភាគជាមួយរបារកំហុស (ឧទាហរណ៍ គម្លាតស្តង់ដារ កំហុសស្តង់ដារ ឬចន្លោះជឿជាក់) សង្កត់ធ្ងន់លើមធ្យមភាគដែលបានប៉ាន់ប្រមាណ និងភាពមិនប្រាកដប្រជារបស់វា។ ទោះជាយ៉ាងណាក៏ដោយ បច្ចេកទេសនេះតម្រូវឱ្យមានការប្រុងប្រយ័ត្ន៖ មធ្យមភាគអាចបិទបាំងការចែកចាយអសមមាត្រ ឬពហុម៉ូឌុល។
៤. បច្ចេកទេសមើលឃើញសម្រាប់ទំនាក់ទំនងរវាងអថេរពីរ (ទ្វេអថេរ)
ការវិភាគទ្វេអថេរមានគោលបំណងយល់ពីទំនាក់ទំនងរវាងអថេរពីរ មិនថាជាលេខ-លេខ លេខ-ចាត់ថ្នាក់ ឬចាត់ថ្នាក់-ចាត់ថ្នាក់នោះទេ។
ក. គ្រោងរាយប៉ាយ (ដ្យាក្រាមរាយប៉ាយ)
គំនូសតាងខ្ចាត់ខ្ចាយគឺជាជម្រើសទូទៅបំផុតសម្រាប់អថេរលេខពីរ។ វាបង្ហាញលំនាំលីនេអ៊ែរ មិនមែនលីនេអ៊ែរ លំនាំចង្កោម និងលំនាំក្រៅជួរ។ សម្រាប់ការវិភាគកម្រិតខ្ពស់ គំនូសតាងខ្ចាត់ខ្ចាយជារឿយៗត្រូវបានបំពេញបន្ថែមដោយបន្ទាត់តំរែតំរង់ ឬការធ្វើឱ្យរលោង (ឧទាហរណ៍ LOESS) ដើម្បីបញ្ជាក់អំពីនិន្នាការ។
ខ. តារាងបន្ទាត់សម្រាប់ទិន្នន័យស៊េរីពេលវេលា
ប្រសិនបើអថេរលេខផ្លាស់ប្តូរតាមពេលវេលា ក្រាហ្វបន្ទាត់ជួយកំណត់អត្តសញ្ញាណនិន្នាការ រដូវកាល និងការកើនឡើង។ នៅក្នុងស្ថិតិស៊េរីពេលវេលា គ្រោងនេះត្រូវបានគេប្រើជាញឹកញាប់មុនពេលធ្វើគំរូ ARIMA ការធ្វើឱ្យរលោងអិចស្ប៉ូណង់ស្យែល ឬគំរូផ្សេងទៀត។
គ. ផែនទីកំដៅសម្រាប់ប្រភេទ ឬម៉ាទ្រីស
ផែនទីកំដៅគឺសមរម្យសម្រាប់តារាងបម្រុង ឬម៉ាទ្រីសសហសម្ព័ន្ធ។ ពណ៌តំណាងឱ្យអាំងតង់ស៊ីតេ ឬទំហំនៃតម្លៃ។ បច្ចេកទេសនេះមានប្រសិទ្ធភាពសម្រាប់សំណុំទិន្នន័យធំៗ ប៉ុន្តែគ្រោងពណ៌ត្រូវតែជ្រើសរើសឱ្យបានត្រឹមត្រូវ ដើម្បីជៀសវាងការបកស្រាយខុស។
៥. បច្ចេកទេសមើលឃើញពហុអថេរ (អថេរច្រើនជាងពីរ)
នៅពេលដែលទិន្នន័យពាក់ព័ន្ធនឹងអថេរច្រើន បញ្ហាប្រឈមគឺការបង្ហាញព័ត៌មានដោយមិនធ្វើឱ្យក្រាហ្វស្មុគស្មាញពេក។
ក. គំនូសព្រាងរាយប៉ាយជាមួយពណ៌/ទំហំ/រូបរាង
គំនូសតាងរាយប៉ាយអាចបង្ហាញអថេរបន្ថែមដោយប្រើពណ៌ (ប្រភេទ) ទំហំចំណុច (លេខ) ឬរូបរាង (ប្រភេទ)។ បច្ចេកទេសនេះមានឥទ្ធិពលខ្លាំង ប៉ុន្តែវាទាមទារឱ្យធានាថារឿងព្រេងនិទានច្បាស់លាស់ ហើយភាពខុសគ្នាដែលមើលឃើញមិនស្រពិចស្រពិលពេក។
ខ. ការតុបតែងមុខ (ពហុគុណតូចៗ)
ការបែងចែកតារាងដូចគ្នាទៅជាបន្ទះច្រើនដោយផ្អែកលើប្រភេទ (ឧទាហរណ៍ តាមតំបន់ ឬតាមប្រភេទផលិតផល)។ ជារឿយៗ វិធីនេះមានប្រសិទ្ធភាពជាងការដាក់ព័ត៌មានច្រើនពេកទៅក្នុងតារាងតែមួយ។
គ. ម៉ាទ្រីសគូសគូ / ម៉ាទ្រីសគូសរាយប៉ាយ
ម៉ាទ្រីស scatterplot បង្ហាញគូអថេរលេខទាំងអស់នៅក្នុងក្រឡាចត្រង្គតែមួយ។ វាជួយកំណត់ទំនាក់ទំនងរវាងអថេរ សហសម្ព័ន្ធខ្លាំង ឬលំនាំចង្កោម។ បច្ចេកទេសនេះមានប្រយោជន៍សម្រាប់ EDA ជាពិសេសមុនពេលការវិភាគតំរែតំរង់ ឬការរៀនរបស់ម៉ាស៊ីន។
ឃ. គំនូសតាងប៊ីប្លូត PCA ឬគំនូសតាងកាត់បន្ថយវិមាត្រ
ចំពោះសំណុំទិន្នន័យដែលមានលក្ខណៈពិសេសជាច្រើន បច្ចេកទេសកាត់បន្ថយវិមាត្រដូចជា PCA, t-SNE ឬ UMAP អាចភ្ជាប់ទិន្នន័យទៅ 2D ដើម្បីបង្ហាញចង្កោម។ នៅក្នុងស្ថិតិ ប៊ីប្លូត PCA ក៏អាចបង្ហាញពីការរួមចំណែកនៃអថេរទៅសមាសធាតុសំខាន់ៗផងដែរ។ ទោះជាយ៉ាងណាក៏ដោយ លទ្ធផលនៃការកាត់បន្ថយវិមាត្រគួរតែត្រូវបានបកស្រាយដោយប្រុងប្រយ័ត្នដោយសារតែការបាត់បង់ព័ត៌មានកំឡុងពេលបង្ហាប់។
៦. គោលការណ៍នៃការរចនាការមើលឃើញល្អ
បច្ចេកទេសមើលឃើញល្អអាចនៅតែបង្កគ្រោះថ្នាក់ប្រសិនបើការរចនាមិនត្រឹមត្រូវ។ ខាងក្រោមនេះគឺជាគោលការណ៍សំខាន់ៗមួយចំនួននៅក្នុងបរិបទនៃស្ថិតិ៖
១. ជ្រើសរើសតារាងដែលសាកសមនឹងប្រភេទទិន្នន័យ និងសំណួររបស់អ្នក។ កុំប្រើតារាងចំណិតសម្រាប់ប្រភេទច្រើនពេក ឬដើម្បីប្រៀបធៀបភាពខុសគ្នាតូចៗ។
2. ប្រើប្រាស់មាត្រដ្ឋានអ័ក្សដោយស្មោះត្រង់។ ការកាត់អ័ក្សចេញ (ឧទាហរណ៍ អ័ក្ស y មិនចាប់ផ្តើមនៅសូន្យទេ) អាចពង្រីកភាពខុសគ្នាដោយមើលឃើញ។ ជួនកាលនេះអាចទទួលយកបាន ប៉ុន្តែវាគួរតែត្រូវបានផ្តល់បរិបទ និងយុត្តិកម្ម។
៣. យកចិត្តទុកដាក់លើពណ៌។ ប្រើក្ដារលាយពណ៌ដែលងាយស្រួលសម្រាប់អ្នកខ្វាក់ពណ៌ ហើយជៀសវាងការផ្សំពណ៌ដែលពិបាកៗ។
៤. ផ្តល់ស្លាក និងប្រភពច្បាស់លាស់។ ចំណងជើង រឿងព្រេង ឯកតា និងចំណងជើងរងត្រូវតែពេញលេញ ដើម្បីឱ្យក្រាហ្វអាចឈរដាច់ដោយឡែកបាន។
៥. បង្ហាញភាពមិនប្រាកដប្រជានៅពេលដែលពាក់ព័ន្ធ។ នៅក្នុងស្ថិតិសន្និដ្ឋាន ការបង្ហាញចន្លោះជឿជាក់ ក្រុមព្យាករណ៍ ឬរបារកំហុស គឺផ្តល់ព័ត៌មានច្រើនជាងការបង្ហាញលេខតែមួយ។
៦. ជៀសវាង "គំនូសតាងឥតប្រយោជន៍"។ បែបផែន 3D ការតុបតែងហួសហេតុ ឬការជម្រាលដែលមិនចាំបាច់អាចរំខានដល់សារសំខាន់។
៧. កំហុសទូទៅក្នុងការមើលឃើញស្ថិតិ
កំហុសខ្លះគឺជារឿងធម្មតា ហើយអាចបំភាន់អ្នកអាន៖
– ការប្រើប្រាស់មធ្យមភាគសម្រាប់ទិន្នន័យដែលមានភាពលំអៀងខ្ពស់ដោយមិនបង្ហាញមធ្យមភាគ ឬការចែកចាយ។
– ការរួមបញ្ចូលគ្នានៃប្រភេទច្រើនពេកធ្វើឱ្យក្រាហ្វពិបាកអាន។
– មិនបង្ហាញទំហំគំរូទេ ទោះបីជាការប្រៀបធៀបក្រុមអាចមានភាពលំអៀងក៏ដោយ ប្រសិនបើបរិមាណទិន្នន័យខុសគ្នាខ្លាំង។
– ធ្វើការសន្និដ្ឋានមូលហេតុពីគំនូសតាងរាយប៉ាយដែលបង្ហាញតែទំនាក់ទំនងគ្នា។
៧. សេចក្តីសន្និដ្ឋាន
បច្ចេកទេសមើលឃើញទិន្នន័យនៅក្នុងស្ថិតិរួមបញ្ចូលគ្នានូវការយល់ដឹងអំពីទិន្នន័យ គោលបំណងវិភាគ និងជំនាញទំនាក់ទំនង។ អ៊ីស្តូក្រាម ប្រអប់ព្រាត គំនូសព្រាត តារាងបន្ទាត់ ផែនទីកំដៅ និងសូម្បីតែបច្ចេកទេសពហុអថេរដូចជាការគូសវាស និង PCA ជួយអ្នកវិភាគមើលឃើញអ្វីដែលមិនអាចមើលឃើញយ៉ាងងាយស្រួលពីតារាងលេខ។ ទោះជាយ៉ាងណាក៏ដោយ ការមើលឃើញល្អមិនត្រឹមតែ "ស្រស់ស្អាត" ប៉ុណ្ណោះទេ ប៉ុន្តែវាក៏មានភាពត្រឹមត្រូវ ស្មោះត្រង់ និងផ្តោតលើសំណួរដែលពួកគេចង់ឆ្លើយ។
តាមរយៈការអនុវត្តបច្ចេកទេសត្រឹមត្រូវ និងគោលការណ៍រចនាដ៏ល្អ ការមើលឃើញទិន្នន័យអាចជាស្ពានដ៏មានឥទ្ធិពលរវាងការវិភាគស្ថិតិស្មុគស្មាញ និងការយល់ដឹងងាយស្រួលសម្រាប់ទស្សនិកជនជាច្រើនប្រភេទ — ចាប់ពីអ្នកស្រាវជ្រាវរហូតដល់អ្នកធ្វើគោលនយោបាយ។
ប្រសិនបើអ្នកចង់បាន ខ្ញុំអាចកែសម្រួលអត្ថបទនេះឱ្យមានលក្ខណៈសិក្សាបន្ថែមទៀត (មានសម្រង់សម្តី) បន្ថែមឧទាហរណ៍ករណី ឬបង្កើតកំណែដែលផ្តោតលើកម្មវិធីជាក់លាក់ដូចជា Excel, R ឬ Python។
