Facets｜機器學習於訓練數據時的可視化工具

文章目錄

“More data beats clever algorithms, but better data beats more data.”

— Peter Norvig

機器學習的力量來自於它可以從大量數據中學習模式(Patterns)的能力，如”使機器變智慧的 7 件事”當中所提，機器如果沒有數據就無法工作，因此了解您的數據對於建構強大的機器學習系統非常重要。

但數據多了以後有可能散布著奇怪的值或是貼錯標籤，這些值會影響機器學習的訓練，因此我們在提供好的數據時，應該適當的清理數據集。而如果有一個好的工具，能協助初學者認識自己的數據，這將對學習機器學習 (Machine Learning)是非常棒的。

Google 發布了一種開源可視化工具 — Facets，幫助我們可視化自己的數據，讓大家對數據更為瞭解。

Facets 包含兩個強大的可視化功能，來幫助理解和分析機器學習數據集。

Facets Overview：可以用來了解數據集每個特徵的形狀
Facets Dive：探索一組單獨的觀察結果

現在就讓我們用一些範例來做介紹。

1. Facets Overview

Facets Overview 提供了數據集的概述，它的可視化功能提供一個或多個數據集的高級視覺圖，會自動快速了解數據中各種特徵值的分佈及特徵形狀的感覺，總結每個特徵的統計數據，也可以立即在訓練數據集和測試數據集中進行比較。

Facets Overview 工具可以向你顯示下面這些內容，藉此幫助我們發現數據集的一些問題。

數據統計：最小值、最大值、中值、標準差。
缺失值： 顯示有多少列(row)沒有數據。
零值：數據為 0 的百分比。
訓練數據/測試數據拆分情況：如何在數據集中拆分訓練數據和測試數據之間的顯示圖。

讓我們來看一下UCI 人口普查收入數據集範例，它的目標是根據各種人口普查統計數據，來預測個人的年收入是否高於 5 萬美元。人口普查數據包含每個人的年齡、教育水平和職業等特徵。紅色數字表示可能的問題點，右側的直方圖可以讓您比較訓練數據(藍色)和測試數據(橙色)之間的分佈。

我們可以清楚地看到，Capital Gain 和 Capital Loss 都沒有包含太多資訊，因為它們大多數列都有 0 值(紅色字)。

我們還可以放大右邊的直方圖，觀察數據的分佈情況，它將有助於我們仔細檢查測試數據與訓練數據是否具有相似的分佈，因為我們不希望數據有偏差。

該工具可以非常簡潔清晰地顯示所有功能，讓我們輕易查看重要資訊。

2. Facets Dive

Facets Dive 可以使你更清楚瞭解數據集，並且可以一直放大來查看單個數據。它是一個可以互動式探索多達數萬個多維度數據點的工具，可以幫助使用者在高階瀏覽及低階細節中進行無縫切換，並可深入了解數據單個特徵及觀察結果，以及根據其特徵值來控制每個數據點的位置、顏色和視覺表示以獲取更多資訊。同時利用流暢的動畫縮放和過濾相結合，可以輕鬆發現複雜數據集中的模式和異常值，讓你更瞭解你的數據。