ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ವಿತರಣೆ/ಸಂಬಂಧ ಚಾರ್ಟ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಡೇಟಾ ಮತ್ತು ಪ್ರಶ್ನೆಗೆ ಅನುಗುಣವಾಗಿ ಸರಿಯಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಆರಿಸಿ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ನಿರ್ಮಿಸಲಾದ ಚಿತ್ರಗಳಲ್ಲಿ ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ಆಯ್ಕೆಗಳನ್ನು (ಡ್ಯಾಶ್ಡ್ ಅಕ್ಷ, ಸೂಕ್ತವಲ್ಲದ ಪ್ರಮಾಣ, ಅತಿಯಾದ ಮೃದುಗೊಳಿಸುವಿಕೆ) ಗುರುತಿಸುವ ಮತ್ತು ಪ್ರಾಮಾಣಿಕ ದೃಶ್ಯೀಕರಣ ತತ್ವಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಪರಿಶೋಧನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯು ಊಹೆಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಅದೇ ಡೇಟಾದೊಂದಿಗೆ ಅನ್ವೇಷಣೆ ಮತ್ತು ದೃಢೀಕರಣವನ್ನು ಮಾಡುವ ಬಲೆಯಾಗಿದೆ ಎಂದು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ (ಇದು p-ಹ್ಯಾಕಿಂಗ್ಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ).
ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿದ ನಂತರ, ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧಕರ ಮೊದಲ ಕೆಲಸವೆಂದರೆ ಅದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು. ಈ ಹಂತವನ್ನು ಎಕ್ಸ್ಪ್ಲೋರೇಟರಿ ಡೇಟಾ ಅನಾಲಿಸಿಸ್ (EDA - ಎಕ್ಸ್ಪ್ಲೋರೇಟರಿ ಡೇಟಾ ಅನಾಲಿಸಿಸ್) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ: ಇದು ಗ್ರಾಫ್ಗಳು ಮತ್ತು ಸಾರಾಂಶ ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸುವ ಮತ್ತು ಅದರ ರಚನೆ, ಮಾದರಿಗಳು ಮತ್ತು ಆಶ್ಚರ್ಯಗಳನ್ನು ನೋಡುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಇನ್ನೂ ಒಂದು ಊಹೆಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಗುರಿಯಲ್ಲ, ಆದರೆ ಡೇಟಾದೊಂದಿಗೆ ಪರಿಚಯ ಮಾಡಿಕೊಳ್ಳುವುದು, ಪ್ರಶ್ನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದು ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ನೀವು ನಿರ್ಮಿಸುವ ಮಾದರಿಗೆ ಅಡಿಪಾಯ ಹಾಕುವುದು. ಈ ಘಟಕದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) EDA ಮತ್ತು ದೃಶ್ಯೀಕರಣವನ್ನು ಹೇಗೆ ವೇಗಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ, ಆದರೆ ಅದು ಉತ್ಪಾದಿಸುವ ಗ್ರಾಫಿಕ್ಸ್ ಅನ್ನು ಏಕೆ ಎಚ್ಚರಿಕೆಯಿಂದ ಆಡಿಟ್ ಮಾಡಬೇಕು.
ಮೊದಲು ಎರಡು ಮೂಲಭೂತ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಮಾಡೋಣ. ಮೊದಲನೆಯದಾಗಿ, ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು (ಸರಾಸರಿ, ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ, ಕ್ವಾರ್ಟೈಲ್ಗಳಂತಹ ಡೇಟಾವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವ ಸಂಖ್ಯೆಗಳು) ಮತ್ತು ದೃಶ್ಯೀಕರಣ (ಅದೇ ಮಾಹಿತಿಯನ್ನು ಸಚಿತ್ರವಾಗಿ ತೋರಿಸುವುದು) ಪರಸ್ಪರ ಪೂರಕವಾಗಿರುತ್ತವೆ; ಒಟ್ಟಿಗೆ ಅವರು ಡೇಟಾವನ್ನು ವಿವರಿಸುತ್ತಾರೆ. ಎರಡನೆಯದು ಮತ್ತು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ: ಆವಿಷ್ಕಾರ ಮತ್ತು ದೃಢೀಕರಣವನ್ನು ಪ್ರತ್ಯೇಕಿಸಬೇಕು. ಪರಿಶೋಧನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯು ಊಹೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದಕ್ಕಾಗಿ; ಅದೇ ಡೇಟಾದೊಂದಿಗೆ ಊಹೆಯನ್ನು ಅನ್ವೇಷಿಸುವುದು ಮತ್ತು "ನಾನು ಅದನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದು ಮಹತ್ವದ್ದಾಗಿದೆ" ಎಂದು ಹೇಳುವುದು p-ಹ್ಯಾಕಿಂಗ್ಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ, ಅದನ್ನು ನಾವು ಮುಂದಿನ ಘಟಕದಲ್ಲಿ ನೋಡುತ್ತೇವೆ. ಡೇಟಾವನ್ನು ನೋಡಲು ಮತ್ತು ಮಾದರಿಯನ್ನು ನೋಡಲು ಇದು ಉಚಿತವಾಗಿದೆ; ಆದರೆ ಅದೇ ಡೇಟಾದಲ್ಲಿ ಆ ಮಾದರಿಯನ್ನು "ಸಾಬೀತಾಗಿ ಕಂಡುಹಿಡಿಯುವುದು" ಎಂದು ಘೋಷಿಸುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ.
ಹಂತ ಹಂತದ ಪರಿಶೋಧನಾ ವಿಶ್ಲೇಷಣೆ
1. ಏಕರೂಪದ ನೋಟ. ಪ್ರತಿಯೊಂದು ವೇರಿಯಬಲ್ ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರೀಕ್ಷಿಸಿ: ಅದರ ವಿತರಣೆಯು ಸಮ್ಮಿತೀಯವಾಗಿದೆ ಅಥವಾ ಓರೆಯಾಗಿದೆ; ಎಷ್ಟು ಬೆಟ್ಟಗಳಿವೆ; ಹೊರಗಿರುವವರು ಎಲ್ಲಿದ್ದಾರೆ? ಸಂಖ್ಯಾತ್ಮಕ ಅಸ್ಥಿರಗಳಿಗಾಗಿ, ಹಿಸ್ಟೋಗ್ರಾಮ್ (ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಪ್ತಿಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಆವರ್ತನವನ್ನು ತೋರಿಸುವ ಕಥಾವಸ್ತು) ಮತ್ತು ಬಾಕ್ಸ್ಪ್ಲಾಟ್ (ಬಾಕ್ಸ್ಪ್ಲಾಟ್ - ಸರಾಸರಿ, ಕ್ವಾರ್ಟೈಲ್ ಮತ್ತು ತೀವ್ರ ಮೌಲ್ಯಗಳನ್ನು ತೋರಿಸುವ ಚಾರ್ಟ್); ವರ್ಗೀಯ ವೇರಿಯಬಲ್ಗಳಿಗಾಗಿ, ಆವರ್ತನ ಕೋಷ್ಟಕಗಳು ಮತ್ತು ಬಾರ್ ಚಾರ್ಟ್ಗಳನ್ನು ಬಳಸಿ.
2. ದ್ವಿಗುಣ ನೋಟ. ಎರಡು ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನೋಡಿ: ಎರಡು ಸಂಖ್ಯಾತ್ಮಕ ವೇರಿಯಬಲ್ಗಳಿಗಾಗಿ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ (ಪ್ರತಿ ವೀಕ್ಷಣೆಯನ್ನು x-y ಪ್ಲೇನ್ನಲ್ಲಿ ಒಂದು ಬಿಂದುವಾಗಿ ತೋರಿಸುತ್ತದೆ), ಸಂಖ್ಯಾ-ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಗುಂಪು ಬಾಕ್ಸ್ ಪ್ಲಾಟ್, ಎರಡು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಕ್ರಾಸ್ಟ್ಯಾಬ್. ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕವನ್ನು ನೋಡುವ ಮೊದಲು, ಸ್ಕ್ಯಾಟರ್ ಕಥಾವಸ್ತುವನ್ನು ನೋಡಲು ಮರೆಯದಿರಿ: ಅದೇ ಪರಸ್ಪರ ಸಂಬಂಧವು ವಿಭಿನ್ನ ಮಾದರಿಗಳನ್ನು ತೋರಿಸಬಹುದು (ಪ್ರಸಿದ್ಧ ಆನ್ಸ್ಕಾಂಬ್ ಕ್ವಾರ್ಟೆಟ್ ಇದನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ; ನಾಲ್ಕು ಡೇಟಾ ಸೆಟ್ಗಳು ಬಹುತೇಕ ಒಂದೇ ರೀತಿಯ ಅಂಕಿಅಂಶಗಳನ್ನು ಹೊಂದಿವೆ, ಆದರೆ ಯೋಜಿಸಿದಾಗ ಅವು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನವಾಗಿವೆ).
3. ಸರಿಯಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಆರಿಸಿ. ಚಾರ್ಟ್ ಪ್ರಕಾರವು ನಿಮ್ಮ ಪ್ರಶ್ನೆ ಮತ್ತು ಡೇಟಾ ಪ್ರಕಾರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ವಿತರಣೆಗಾಗಿ ಹಿಸ್ಟೋಗ್ರಾಮ್; ಸಂಬಂಧಕ್ಕಾಗಿ ಚದುರುವಿಕೆ; ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾವಣೆಗಾಗಿ ಲೈನ್ ಚಾರ್ಟ್; ವರ್ಗ ಹೋಲಿಕೆಗಾಗಿ ಬಾರ್ ಚಾರ್ಟ್; (ಎಚ್ಚರಿಕೆಯಿಂದ) ಸಂಪೂರ್ಣ ಭಾಗಗಳ ಅನುಪಾತಕ್ಕಾಗಿ ಜೋಡಿಸಲಾದ ಬಾರ್. AI ತ್ವರಿತವಾಗಿ ನಿಮಗಾಗಿ ಕೋಡ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ, ಆದರೆ "ಯಾವ ಪ್ರಶ್ನೆಗೆ ಯಾವ ಗ್ರಾಫ್" ಎಂಬ ನಿರ್ಧಾರವು ನಿಮ್ಮದಾಗಿದೆ.
4. ಮಾದರಿಯನ್ನು ಗಮನಿಸಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಘೋಷಿಸಬೇಡಿ. ನೀವು "ಅನ್ವೇಷಣೆ ಟಿಪ್ಪಣಿ" ಎಂದು ನೋಡುವ ಯಾವುದೇ ಆಸಕ್ತಿದಾಯಕ ಮಾದರಿಯನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿ, ಆದರೆ ಅದನ್ನು ದೃಢೀಕರಿಸಿದ ಸಂಶೋಧನೆ ಎಂದು ಪರಿಗಣಿಸಬೇಡಿ. ದೃಢೀಕರಣವನ್ನು ಪ್ರತ್ಯೇಕ ಹಂತದಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆ, ಮೇಲಾಗಿ ಪ್ರತ್ಯೇಕ ಡೇಟಾ ಅಥವಾ ಪೂರ್ವನಿರ್ಧರಿತ ವೇಳಾಪಟ್ಟಿಯೊಂದಿಗೆ.
ಪ್ರಾಮಾಣಿಕ ದೃಶ್ಯೀಕರಣ ತತ್ವಗಳು
ಗ್ರಾಫಿಕ್ ಮನವರಿಕೆ ಮಾಡುತ್ತದೆ; ಆದ್ದರಿಂದ, ಅದರ ದಾರಿತಪ್ಪಿಸುವ ಶಕ್ತಿಯೂ ಹೆಚ್ಚು. AI ಸೌಂದರ್ಯದ ಆದರೆ ಕೆಲವೊಮ್ಮೆ ದಾರಿತಪ್ಪಿಸುವ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಬಹುದು. ಈ ನೀತಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ:
- ಬಾರ್ ಚಾರ್ಟ್ಗಳಲ್ಲಿ, y-ಅಕ್ಷವು ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು. ಡ್ಯಾಶ್ ಮಾಡಿದ ಅಕ್ಷವು ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳನ್ನು ದೊಡ್ಡದಾಗಿ ತೋರಿಸುತ್ತದೆ.
- ಪ್ರಮಾಣವು ಸ್ಥಿರವಾಗಿರಬೇಕು. ಎರಡು ಚಾರ್ಟ್ಗಳನ್ನು ಹೋಲಿಸುತ್ತಿದ್ದರೆ, ಅದೇ ಅಕ್ಷದ ಶ್ರೇಣಿಯನ್ನು ಬಳಸಿ.
- ಅತಿಯಾದ ಮೃದುಗೊಳಿಸುವಿಕೆಯು ನಿಜವಾದ ಮಾದರಿಯನ್ನು ಮರೆಮಾಡಬಹುದು. ಟ್ರೆಂಡ್ ಲೈನ್ ಚೆನ್ನಾಗಿ ಕಾಣುತ್ತದೆ, ಆದರೆ ಅದು ಡೇಟಾವನ್ನು ಹೆಚ್ಚು "ಸುಗಮಗೊಳಿಸಿದರೆ", ಅದು ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು.
- ಬಣ್ಣ ಮತ್ತು 3D ಅಲಂಕಾರವು ಗಮನವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ, ಡೇಟಾ ಅಲ್ಲ. ಸರಳತೆಯನ್ನು ಆರಿಸಿ.
- ಕಾಣೆಯಾದ ಡೇಟಾ ಮತ್ತು ಮಾದರಿ ಗಾತ್ರವು ಗೋಚರಿಸಬೇಕು. "n=12" ಮತ್ತು "n=12,000" ಒಂದೇ ರೀತಿ ಕಾಣಬಾರದು.
ಗಮನ: AI ನಿರ್ಮಿಸಿದ ಗ್ರಾಫಿಕ್ಸ್ ಸುಂದರವಾಗಿರುವುದರಿಂದ, ಅವು ನಿಜವಲ್ಲ. ಬಾರ್ ಚಾರ್ಟ್ನಲ್ಲಿ ಶೂನ್ಯದಿಂದ ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸದಿರುವುದು ಮತ್ತು ಎರಡು ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸುವುದು ಅವನು ಮಾಡುವ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ತಪ್ಪು. ಯಾವಾಗಲೂ ಅಕ್ಷವನ್ನು ಪರಿಶೀಲಿಸಿ.
ಹೋಲಿಕೆ ಚಾರ್ಟ್: ಪ್ರಶ್ನೆ → ಚಾರ್ಟ್
ಕೇಳು
ಸರಿಯಾದ ಚಾರ್ಟ್
ಸಾಮಾನ್ಯ ತಪ್ಪು
ಈ ವೇರಿಯಬಲ್ ಅನ್ನು ಹೇಗೆ ವಿತರಿಸಲಾಗುತ್ತದೆ?
ಹಿಸ್ಟೋಗ್ರಾಮ್/ಬಾಕ್ಸ್ ಕಥಾವಸ್ತು
ಪೈ ಚಾರ್ಟ್ ಬಳಸಿ
ಎರಡು ಸಂಖ್ಯಾ ಅಸ್ಥಿರಗಳು ಸಂಬಂಧಿಸಿವೆಯೇ?
ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್
ಪರಸ್ಪರ ಸಂಬಂಧಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮಾತ್ರ ನೋಡುವುದು
ಕಾಲಾನಂತರದಲ್ಲಿ ಅದು ಹೇಗೆ ಬದಲಾಗಿದೆ?
ಸಾಲಿನ ಚಾರ್ಟ್
ಬಾರ್ ಚಾರ್ಟ್ನೊಂದಿಗೆ ಪ್ರವೃತ್ತಿಯನ್ನು ಹೇಳುವುದು
ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೇನು?
ಗುಂಪು ಮಾಡಿದ ಬಾಕ್ಸ್/ಬಾರ್ (ಮೊದಲಿನಿಂದ)
ಮೊಟಕುಗೊಳಿಸಿದ ಅಕ್ಷದ ರಾಡ್
ಭಾಗದಿಂದ ಸಂಪೂರ್ಣ ಅನುಪಾತವೇ?
ಸ್ಟ್ಯಾಕ್ ಮಾಡಿದ ಬಾರ್ (ಎಚ್ಚರಿಕೆಯಿಂದ)
ಬಹು-ಸ್ಲೈಸ್ ಪೈ ಚಾರ್ಟ್
ನಕಲಿಸಬಹುದಾದ ನಾಲ್ಕು ಪ್ರಾಂಪ್ಟ್ಗಳು
1. ಸ್ವಯಂ ಅನ್ವೇಷಣೆ ಕೋಡ್:
ನಿಮ್ಮ ಪಾತ್ರ: EDA ಸಹಾಯಕ. ನಾನು ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದಿಲ್ಲ, ನನಗೆ R (ggplot2) ಕೋಡ್ ಬೇಕು. 'ಡೇಟಾ' ಡೇಟಾ.ಫ್ರೇಮ್ನಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ (ಆದಾಯ, ವಯಸ್ಸು, ಖರ್ಚು) ಮತ್ತು ವರ್ಗೀಯ (ಪ್ರದೇಶ, ಶಿಕ್ಷಣ) ವೇರಿಯಬಲ್ಗಳಿವೆ. ಕಾರ್ಯ: ಪ್ರತಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಕ್ಕೆ ಹಿಸ್ಟೋಗ್ರಾಮ್, ಪ್ರತಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಬಾರ್ ಚಾರ್ಟ್ ಮತ್ತು ಆದಾಯ~ ವಯಸ್ಸಿನ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಬರೆಯಿರಿ. ಬಾರ್ ಚಾರ್ಟ್ಗಳಲ್ಲಿ, y-ಅಕ್ಷವು ZERO ನಿಂದ ಪ್ರಾರಂಭವಾಗಲಿ. ಕಾಮೆಂಟ್ ಲೈನ್ ಸೇರಿಸಿ.
2. ಪರಸ್ಪರ ಸಂಬಂಧದ ವಿಮರ್ಶೆ (ಪರಸ್ಪರ + ದೃಶ್ಯ ಒಟ್ಟಿಗೆ):
ಆದಾಯ ಮತ್ತು ಖರ್ಚಿಗಾಗಿ ಪಿಯರ್ಸನ್ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್ ಬರೆಯಿರಿ ಮತ್ತು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ + ರೇಖೀಯ ಪ್ರವೃತ್ತಿಯನ್ನು ರೂಪಿಸುತ್ತದೆ. ಪರಸ್ಪರ ಸಂಬಂಧದ ಎಣಿಕೆಯನ್ನು ನಂಬುವ ಮೊದಲು ಚಾರ್ಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು ನನಗೆ ನೆನಪಿಸುವ ಕಾಮೆಂಟ್ ಲೈನ್ ಅನ್ನು ಸೇರಿಸಿ (Anscombe ಎಚ್ಚರಿಕೆ). ಟ್ರೆಂಡ್ ಲೈನ್ ಅನ್ನು ಹೆಚ್ಚು ಸುಗಮಗೊಳಿಸಬೇಡಿ.
3. ಸಮಗ್ರತೆಯ ಲೆಕ್ಕಪರಿಶೋಧನೆ:
ಪ್ರಾಮಾಣಿಕ ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ ಕೆಳಗಿನ ggplot ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ:[ಕೋಡ್]. ಕೆಳಗಿನವುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸರಿಪಡಿಸಿ: y-ಅಕ್ಷವು ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆಯೇ, ಪ್ರಮಾಣವು ಸ್ಥಿರವಾಗಿದೆಯೇ, ಮಾದರಿ ಗಾತ್ರವು ಗೋಚರಿಸುತ್ತದೆಯೇ, ಅತಿಯಾದ ಮೃದುಗೊಳಿಸುವಿಕೆ ಇದೆಯೇ? ನೀವು ಮಾಡಿದ ಪ್ರತಿ ತಿದ್ದುಪಡಿಗೆ ಸಮರ್ಥನೆಯನ್ನು ವಿವರಿಸಿ.
4. ಡಿಸ್ಕವರಿ ಟಿಪ್ಪಣಿಯನ್ನು ತಯಾರಿಸುವುದು (ಶೋಧನೆ ಅಲ್ಲ):
ನಾನು ಉತ್ಪಾದಿಸುವ ಗ್ರಾಫ್ಗಳ ಆಧಾರದ ಮೇಲೆ, ಅವಲೋಕನಗಳನ್ನು 'ಅನ್ವೇಷಣೆ ಟಿಪ್ಪಣಿ' ಎಂದು ಪಟ್ಟಿ ಮಾಡಿ; ಪ್ರತಿ ಐಟಂ ಅನ್ನು 'ಪರೀಕ್ಷಿಸಬೇಕಾದ ಕಲ್ಪನೆ' ಭಾಷೆಯಲ್ಲಿ ಬರೆಯಿರಿ, 'ನಿರ್ಣಾಯಕ ಶೋಧನೆ' ಅಲ್ಲ. ಉದಾಹರಣೆ: 'ಉನ್ನತ ಶಿಕ್ಷಣದಲ್ಲಿ ಆದಾಯವು ಹೆಚ್ಚು ಹರಡಿದೆ ಎಂದು ತೋರುತ್ತದೆ; ಪ್ರತ್ಯೇಕ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಬೇಕು.' ಸಾಂದರ್ಭಿಕ ಮತ್ತು ನಿರ್ಣಾಯಕ ಹೇಳಿಕೆಗಳನ್ನು ತಪ್ಪಿಸಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಇಳುವರಿಯಿಂದ ಉತ್ತಮ ಗ್ರಾಫ್ಗಳನ್ನು ಮಾಡಿ ಮತ್ತು ಅವುಗಳ ಅರ್ಥವನ್ನು ನನಗೆ ತಿಳಿಸಿ.
ಈ ಪ್ರಾಂಪ್ಟ್ ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ಔಟ್ಪುಟ್ ಅನ್ನು ಆಹ್ವಾನಿಸುತ್ತದೆ: "ಸುಂದರ" ಸೌಂದರ್ಯಶಾಸ್ತ್ರದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ, ಆದರೆ "ಅದರ ಅರ್ಥ" AI ಅನ್ನು ಆವಿಷ್ಕಾರದಿಂದ ನಿರ್ಣಾಯಕ ತೀರ್ಮಾನಕ್ಕೆ ತಳ್ಳುತ್ತದೆ. ಕಾರಣ, ಉತ್ಪ್ರೇಕ್ಷಿತ ಕಾಮೆಂಟ್ಗಳು ಅನುಸರಿಸುತ್ತವೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಪ್ರಾಮಾಣಿಕ EDA ಸಹಾಯಕ. ಕಾರ್ಯ: (1) ನನ್ನ ಪ್ರಶ್ನೆಗೆ ಸರಿಹೊಂದುವ ಚಾರ್ಟ್ನ ಪ್ರಕಾರವನ್ನು ಆರಿಸಿ ಮತ್ತು ಸಮರ್ಥನೆಯನ್ನು ಬರೆಯಿರಿ, (2) ಬಾರ್ ಚಾರ್ಟ್ಗಳಲ್ಲಿ ಶೂನ್ಯದಿಂದ ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸಿ, (3) ಅನ್ವೇಷಣೆ ಟಿಪ್ಪಣಿ ಭಾಷೆಯಲ್ಲಿ ಔಟ್ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ಯಾವುದೇ ನಿರ್ಣಾಯಕ/ಕಾರಣ ಹಕ್ಕುಗಳಿಲ್ಲದೆ "ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು" ಭಾಷೆಯಲ್ಲಿ ಊಹೆಯನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ (4 ಮಾದರಿಯು ಚಿಕ್ಕದಾಗಿದ್ದರೆ ನಾನು ರನ್ ಮಾಡುತ್ತೇನೆ). ನನ್ನ ಸ್ವಂತ ಪರಿಸರದಲ್ಲಿ ಚಾರ್ಟ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಿ.
ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಇಚ್ಛೆಯು ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಸಮರ್ಥಿಸುತ್ತದೆ, ಪ್ರಾಮಾಣಿಕತೆಯ ನಿಯಮಗಳನ್ನು ಹೇರುತ್ತದೆ ಮತ್ತು ದೃಢೀಕರಣದೊಂದಿಗೆ ಅನ್ವೇಷಣೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದಿಲ್ಲ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಡಿಸ್ಕ್ರೀಟ್ ಅಕ್ಷದ ಉತ್ಪ್ರೇಕ್ಷೆ. ವಿಶ್ಲೇಷಕರೊಬ್ಬರು ಬಾರ್ ಚಾರ್ಟ್ನಲ್ಲಿ ಎರಡು ಶಾಖೆಗಳ (7.8 ಮತ್ತು 8.0; 10 ರಲ್ಲಿ) ತೃಪ್ತಿ ಸ್ಕೋರ್ಗಳನ್ನು ತೋರಿಸಿದರು. YZ ಅಕ್ಷವನ್ನು 7.5 ರಿಂದ ಪ್ರಾರಂಭಿಸಿದಾಗ, ಎರಡನೆಯ ಶಾಖೆಯು ಮೊದಲಿಗಿಂತ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚು ಕಾಣಿಸಿಕೊಂಡಿತು; ಆದರೆ ವ್ಯತ್ಯಾಸವು ಕೇವಲ 2.5% ಆಗಿತ್ತು. ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ತಪ್ಪಾದ ಅನಿಸಿಕೆ ಅಡಿಯಲ್ಲಿ ಶಾಖೆಗೆ ಬಹುಮಾನ ನೀಡಲಿದೆ. ನಾನು ಮೊದಲಿನಿಂದ ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸಿದಾಗ ವ್ಯತ್ಯಾಸವು ಬಹುತೇಕ ಅಗೋಚರವಾಗಿತ್ತು. ಪಾಠ: ಅಕ್ಷದ ಆಯ್ಕೆ ಮಾತ್ರ ಗ್ರಹಿಕೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
ಪ್ರಕರಣ 2 - ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಂಬುವುದು ಮತ್ತು ಚಾರ್ಟ್ ಅನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಒಬ್ಬ ಸಂಶೋಧಕನು ಎರಡು ಅಸ್ಥಿರಗಳ ನಡುವೆ r = 0.81 ಅನ್ನು ನೋಡಿದನು ಮತ್ತು "ಬಲವಾದ ರೇಖೀಯ ಸಂಬಂಧ" ಎಂದು ಬರೆದನು. ಅವನ ಸಮಾಲೋಚಕರು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ಗಾಗಿ ಕೇಳಿದಾಗ, ಸಂಬಂಧವು ಒಂದೇ ತೀವ್ರ ವೀಕ್ಷಣೆಯ ಕಾರಣದಿಂದಾಗಿ ಕಂಡುಬಂದಿದೆ ಮತ್ತು ಆ ಬಿಂದುವನ್ನು ತೆಗೆದುಹಾಕಿದಾಗ, ಪರಸ್ಪರ ಸಂಬಂಧವು 0.12 ಕ್ಕೆ ಇಳಿಯಿತು. ಪಾಠ: ಪರಸ್ಪರ ಸಂಬಂಧದ ಎಣಿಕೆಯು ಗ್ರಾಫ್ಗೆ ಪರ್ಯಾಯವಾಗಿಲ್ಲ; ಯಾವಾಗಲೂ ಚದುರಿದ ಕಡೆಗೆ ನೋಡಿ.
ಪ್ರಕರಣ 3 - ದೃಢೀಕರಣದೊಂದಿಗೆ ಗೊಂದಲಮಯ ಆವಿಷ್ಕಾರ. ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿಯು 40-ವೇರಿಯೇಬಲ್ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಎಲ್ಲಾ ಜೋಡಿಯಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ನೋಡಿದನು, ಅತ್ಯಧಿಕವಾದದನ್ನು (r=0.52) ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು "ನಾವು ಶಿಕ್ಷಣ ಮತ್ತು ಉಳಿತಾಯಗಳ ನಡುವಿನ ಮಹತ್ವದ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (p=0.004)" ಎಂದು ಬರೆದರು. ಆದಾಗ್ಯೂ, 40 ವೇರಿಯಬಲ್ಗಳಲ್ಲಿ ನೂರಾರು ಜೋಡಿಗಳಿದ್ದವು; ಹೆಚ್ಚಿನದನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ಅವಕಾಶದ ಕಾರಣದಿಂದಾಗಿ ತಪ್ಪು ಸಂಶೋಧನೆಯಾಗಿದೆ. ಪಾಠ: ಪತ್ತೆಯಾದ ಮಾದರಿಯನ್ನು ಅದೇ ಡೇಟಾದಲ್ಲಿ "ಪರೀಕ್ಷೆ ಮತ್ತು ಮಹತ್ವಪೂರ್ಣವೆಂದು ಘೋಷಿಸಲಾಗುವುದಿಲ್ಲ"; ಪ್ರತ್ಯೇಕ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಬಾರ್ ಚಾರ್ಟ್ನಲ್ಲಿ ಶೂನ್ಯದಿಂದ ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತಿಲ್ಲ. ಇದು ಸಣ್ಣ ವ್ಯತ್ಯಾಸವನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸುತ್ತದೆ; ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ದೃಶ್ಯ ಸುಳ್ಳು. ಯಾವಾಗಲೂ ಪರಿಶೀಲಿಸಿ.
- ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನೋಡುವುದು ಮತ್ತು ಚಾರ್ಟ್ ಅನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಒಂದೇ ಪರಸ್ಪರ ಸಂಬಂಧವು ವಿಭಿನ್ನ ಮಾದರಿಗಳಿಂದ ಬರುತ್ತದೆ; ಹೊರಗಿನ ಸಂಬಂಧವನ್ನು ಹೊಂದಬಹುದು. ಮೊದಲನೆಯದಾಗಿ, ಸ್ಕ್ಯಾಟರಿಂಗ್.
- ಆವಿಷ್ಕಾರದಲ್ಲಿ ಕಂಡುಬರುವ ಮಾದರಿಯನ್ನು ಅದೇ ಡೇಟಾದಲ್ಲಿ "ಸಾಕ್ಷ್ಯ" ಎಂದು ಪರಿಗಣಿಸಿ. ಇದು ಪಿ-ಹ್ಯಾಕಿಂಗ್ಗೆ ಗೇಟ್ವೇ ಆಗಿದೆ; ದೃಢೀಕರಣವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ.
- ತಪ್ಪಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರ. ಟ್ರೆಂಡ್ಗಾಗಿ ಬಾರ್ ಮತ್ತು ವಿತರಣೆಗಾಗಿ ಪೈಗಳಂತಹ ಹೊಂದಾಣಿಕೆಗಳು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತವೆ. ಪ್ರಶ್ನೆಯ ಆಧಾರದ ಮೇಲೆ ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆಮಾಡಿ.
- ಮಾದರಿ ಗಾತ್ರವನ್ನು ಮರೆಮಾಡಲಾಗುತ್ತಿದೆ. n=8 ಮತ್ತು n=8,000 ಒಂದೇ ಗ್ರಾಫ್ನಲ್ಲಿ ಒಂದೇ ರೀತಿ ಕಾಣಬಾರದು; ಅನಿಶ್ಚಿತತೆಯನ್ನು ತೋರಿಸಬೇಕು.
ಸಲಹೆ: ಚಾರ್ಟ್ ಅನ್ನು ಪ್ರಕಟಿಸುವ ಮೊದಲು, ನಿಮ್ಮನ್ನು ಕೇಳಿಕೊಳ್ಳಿ: "ನಾನು ಅಕ್ಷವನ್ನು ಬದಲಾಯಿಸಿದರೆ ಕಥೆಯು ಬದಲಾಗುತ್ತದೆಯೇ?" ಉತ್ತರ ಹೌದು ಎಂದಾದರೆ, ನೀವು ಬಹುಶಃ ಅಪ್ರಾಮಾಣಿಕ ಸ್ಥಳದಿಂದ ಪಿವೋಟ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಿದ್ದೀರಿ.
ಸಾರಾಂಶದಲ್ಲಿ
ಪರಿಶೋಧನಾ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ದತ್ತಾಂಶವನ್ನು ಭೇಟಿ ಮಾಡುವ ಹಂತವಾಗಿದೆ, ಮಾದರಿಗಳನ್ನು ನೋಡುವುದು ಮತ್ತು ಊಹೆಗಳನ್ನು ರಚಿಸುವುದು; ಇದು ದೃಢೀಕರಣವಲ್ಲ. AI ತ್ವರಿತವಾಗಿ ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಗ್ರಾಫ್ ಕೋಡ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ, ಆದರೆ ನಿಮ್ಮ ಪ್ರಶ್ನೆಯ ಆಧಾರದ ಮೇಲೆ ನೀವು ಗ್ರಾಫ್ ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು ನ್ಯಾಯಸಮ್ಮತತೆಯ ತತ್ವಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತೀರಿ (ಶೂನ್ಯ ಅಕ್ಷ, ಸ್ಥಿರವಾದ ಪ್ರಮಾಣ, ಸ್ಪಷ್ಟ ಅನಿಶ್ಚಿತತೆ). ಪರಸ್ಪರ ಸಂಬಂಧದ ಸಂಖ್ಯೆಯನ್ನು ನಂಬುವ ಮೊದಲು ಸ್ಕ್ಯಾಟರ್ ಅನ್ನು ನೋಡಿ; ಅನ್ವೇಷಣೆಯಲ್ಲಿ ನೀವು ಕಂಡುಕೊಂಡ ಮಾದರಿಯನ್ನು ಅದೇ ಡೇಟಾದಲ್ಲಿ "ಸಾಕ್ಷ್ಯ" ಎಂದು ಘೋಷಿಸಬೇಡಿ. AI ನ ಸುಂದರವಾದ ಗ್ರಾಫ್ ಎಂದರೆ ಸರಿಯಾದ ಗ್ರಾಫ್ ಎಂದಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಕನಿಷ್ಠ ಮೂರು ವೇರಿಯೇಬಲ್ಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ. ಪ್ರಾಮಾಣಿಕತೆಯ ನಿಯಮಗಳನ್ನು ಜಾರಿಗೊಳಿಸುವ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ ಪರಿಶೋಧನಾತ್ಮಕ ಗ್ರಾಫ್ಗಳನ್ನು (ಹಿಸ್ಟೋಗ್ರಾಮ್, ಸ್ಕ್ಯಾಟರ್, ಬಾಕ್ಸ್ಡ್) ಉತ್ಪಾದಿಸುವ ಕೋಡ್ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ ಮತ್ತು ರನ್ ಮಾಡಿ. ಪ್ರತಿ ಚಾರ್ಟ್ಗೆ: (1) ಪ್ರಶ್ನೆಗೆ ಚಾರ್ಟ್ ಪ್ರಕಾರದ ಸೂಕ್ತತೆ, (2) ಅಕ್ಷದ ಪ್ರಾಮಾಣಿಕತೆ, (3) ಮಾದರಿ ಗಾತ್ರದ ಗೋಚರತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಊಹೆಯ ಭಾಷೆಯಲ್ಲಿ ಕನಿಷ್ಠ ಒಂದು "ಅನ್ವೇಷಣೆ ಟಿಪ್ಪಣಿ" ಬರೆಯಿರಿ ("...ಪ್ರತ್ಯೇಕವಾಗಿ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ"). ಎಣಿಕೆ ಮತ್ತು ಸ್ಕ್ಯಾಟರ್ ಎರಡರೊಂದಿಗಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಅವುಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವಿದ್ದರೆ ವರದಿ ಮಾಡಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನನ್ನ ಪ್ರಶ್ನೆ ಮತ್ತು ಡೇಟಾ ಪ್ರಕಾರವನ್ನು ಆಧರಿಸಿ ನಾನು ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇನೆ.
- [ ] ಬಾರ್ ಚಾರ್ಟ್ಗಳಲ್ಲಿ, ನಾನು y-ಅಕ್ಷವನ್ನು ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭಿಸುತ್ತೇನೆ; ನಾನು ಅಕ್ಷದ ಪ್ರಾಮಾಣಿಕತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
- [ ] ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಂಬುವ ಮೊದಲು ನಾನು ಸ್ಕ್ಯಾಟರ್ಪ್ಲಾಟ್ ಅನ್ನು ನೋಡಿದೆ.
- [ ] ನಾನು ಗ್ರಾಫ್ನಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸಿದೆ.
- [ ] ನಾನು ಪರಿಶೋಧನೆಯಲ್ಲಿ ಕಂಡುಕೊಂಡ ಮಾದರಿಗಳನ್ನು "ಸಾಕ್ಷ್ಯ" ಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ "ಪರೀಕ್ಷಿಸಬೇಕಾದ ಊಹೆ" ಎಂದು ಬರೆದಿದ್ದೇನೆ.
- [ ] ನಾನು ದೃಢೀಕರಣಕ್ಕಾಗಿ ಅದೇ ಡೇಟಾವನ್ನು ಬಳಸುವುದಿಲ್ಲ ಮತ್ತು ಪ್ರತ್ಯೇಕ ಹಂತದ ಅಗತ್ಯವಿದೆ ಎಂದು ನಾನು ಗಮನಿಸಿದ್ದೇನೆ.