Методи візуалізації даних. Графічні методи експрес-аналізу даних

Якісна візуалізація даних є важливою частиною будь-якої аналітичної системи. У багатьох випадках експерту досить просто поглянути на дані, щоб зробити необхідні висновки. Але одні й ті ж дані можна відображати безліччю способів, і який з них буде найбільш прийнятний, залежить від розв'язуваної задачі. Тому користувачеві Deductor Studio пропонується багато механізмів візуалізації, з яких він може вибрати найбільш оптимальні. Візуалізувати дані в Deductor Studio можна на будь-якому етапі обробки. Система самостійно визначає, яким способом вона може це зробити, наприклад, якщо буде навчена нейронна мережа, то крім таблиць і діаграм можна переглянути граф нейромережі. Користувачеві необхідно вибрати потрібний варіант зі списку і налаштувати декілька параметрів. Можливі способи візуалізації даних:

Спосіб візуалізації	Опис
Табличні дані
Таблиця	Стандартне табличне подання з можливістю сортування, експорту та фільтрації даних.
Статистика	Статистичні показники вибірки по всіх полях, гістограми розподілу значень.
Графіки
Діаграма	Графік зміни будь-якого числового показника з можливістю деталізації даних. Підтримується безліч способів відображення: лінійчаті й стовпчасті діаграми, області, точки та інше.
Гістограма	Графік розкиду показників. Гістограма призначена для візуальної оцінки розподілу даних. Розподіл даних робить значний вплив на процес побудови моделі. Вбудована можливість деталізації даних гістограми.
Багатовимірна діаграма	Дозволяє візуально оцінити залежності між різними полями, відображається у вигляді 3D-поверхні або топографічної діаграми.
Діаграма розміщення	Розміщення об'єктів в 2-х, 3-х мірному просторі. Додаткову інформативність забезпечують колір, розмір і форма об'єктів.
OLAP аналіз
Куб	Багатовимірне представлення даних. Будь-які дані, що використовуються в програмі, можна подивитися у вигляді крос-таблиці і крос-діаграми. Користувачеві доступний весь набір механізмів маніпуляції багатовимірними даними - угруповання, фільтрація, сортування, довільне розміщення вимірювань, деталізація, вибір будь-якого способу агрегації, відображення в абсолютних числах і у відсотках.
Очистка даних
Дублікати і протиріччя	Табличне відображення інформації після застосування обробника "Дублікати і протиріччя". Кольорове виділення виявлених дублікатів та протиріч з можливістю автоматичної фільтрації.
Матриця кореляції	Відображає коефіцієнти кореляції, розраховані за допомогою обробника "Кореляційний аналіз". Підтримується можливість експорту інформації в Excel, Word, HTML.
Data Mining
Граф нейромережі	Візуальне відображення навченої нейромережі. Відображається структура нейронної мережі і значення ваг.
Дерево рішень	Відображення дерева рішень, отриманого за допомогою відповідного алгоритму. Є можливість подивитися детальну інформацію по будь-якому вузлу і фільтрувати потрапили в нього дані.
Правила дерев рішень	Відображає в текстовому вигляді правила, отримані за допомогою алгоритму побудови дерев рішень. Такого роду інформація легко інтерпретується людиною. Підтримуються різні способи фільтрації і сортування отриманих правил.
Значимість атрибутів	Відображення значущості атрибутів. Розраховується за допомогою алгоритму побудови дерева рішень.
Карта Кохонена	Відображення карт, побудованих за допомогою відповідного алгоритму. Широкі можливості налаштування - вибір кількості кластерів, фільтрація по вузлу / кластеру, вибір відображуваних полів. Потужний і гнучкий механізм відображення кластеризованих даних.
ROC-аналіз	ROC-крива (Receiver Operator Characteristic) - крива використовується для представлення результатів бінарної класифікації в машинному навчанні. ROC-крива покази-кість залежність кількості вірно класифікованих позитивних прикладів від кількості невірно класифікованих негативних прикладів.
Коефіцієнти регресії	Табличні коефіцієнти, розраховані за допомогою алгоритму лінійної регресії. Підтримується можливість експорту інформації в Excel, Word, HTML.
Профілі кластерів	Дозволяє наочно оцінити результати кластеризації, цей візуалізатор доступний лише для обробника "Кластеризація". Він відображає розбиття на кластери, значимість факторів, статистичні характеристики кожного кластера.
Правила асоціацій	Відображає в текстовому вигляді правила, отримані за допомогою алгоритму пошуку асоціативних зв'язків. Такого роду інформація легко інтерпретується людиною. Підтримуються різні способи фільтрації і сортування отриманих правил.
Популярні набори	Часто зустрічаються безлічі, виявлені за допомогою алгоритму пошуку асоціативних правил.
Дерево правил	Відображення дерева правил, отриманих за допомогою алгоритму пошуку асоціацій. Правила можуть бути згруповані як за умовою, так і по слідству.
Що-якщо	Таблиця і діаграма для моделей, побудованих за допомогою лінійної регресії, нейронної мережі, дерева рішень, самоорганізованих карт і асоціативних правил. Дозволяють "проганяти" через побудовану модель будь-які цікаві для користувача дані і оцінити вплив того чи іншого чинника на результат. Активно використовується для вирішення завдань оптимізації. У разі відображення асоціативних правил дозволяє ввести елементи, що входять до транзакцію і отримати всі можливі наслідки з введеного набору.
Навчальний набір	Вибірка, використовувана для побудови моделі. Кольором виділяються дані, що потрапили в навчальне і тестове безліч з можливістю фільтрації. Необхідна для розуміння, які записи і яким чином використовувалися при побудові моделі.
Діаграма прогнозу	Застосовується після використання методу обробки - прогнозування. Прогнозні значення виділяються на діаграмі кольором.
Таблиця спряженості	Призначена для оцінки результатів класифікації незалежно від використовуваної моделі. Таблиця спряженості відображає результати порівняння категоріальних значень вихідного вихідного стовпця і категоріальних значень розрахованого вихідного стовпця. Використовується для оцінки якості класифікації. Передбачені механізми аналізу відхилень.
Діаграма розсіювання	Графік відхилення прогнозованих за допомогою моделі значень від реальних. Може бути побудований тільки для безперервних величин і тільки після використання механізмів побудови моделі, наприклад, нейромережі або лінійної регресії. Використовується для візуальної оцінки якості побудованої моделі. Вбудоване автоматична побудова гістограми розподілу помилки.
Загальні
Відомості	Текстовий опис параметрів імпорту / обробки / експорту / підключення. Підтримується можливість експорту інформації в HTML і текстовий файл.

Експрес-аналіз - це швидка, оперативна перевірка, швидке надання послуг та інформації. Терміни проведення експрес-аналізу від 1 до 3 робочих днів (залежно від обсягу інформації). Головна мета експрес-аналізу - швидка діагностика стану справ на підприємстві з наданням детального звіту. У процесі перевірки аудиторами проводиться оцінка стану податкового та фінансового обліку як в цілому так і по окремих ділянках.