Analiza ważności zmiennych metodą Kruskala
Analiza ważności Kruskala, często stosowana w analizie regresji, mierzy wpływ zmiennych na zmienną zależną poprzez uporządkowanie wartości. Używana jest zazwyczaj do oceny wpływu zmiennych niezależnych na zmienną zależną, gdy rozkłady danych nie spełniają założeń o normalności lub występują wartości odstające. Analiza ta ocenia siłę związku na podstawie rang, co sprawia, że jest bardziej odporna na odstępstwa od klasycznych założeń statystycznych.
W tej metodzie, wynik analizy można przedstawić za pomocą wykresu słupkowego, gdzie każda zmienna jest reprezentowana przez słupek odpowiadający jej wadze lub wpływowi na zmienną zależną. Wysokość słupków odzwierciedla siłę związku między zmienną niezależną a zmienną zależną na podstawie rang.
Analiza ważności Kruskala – wykres słupkowy przedstawiający wpływ poszczególnych zmiennych na zmienną zależną, wyrażony jako procentowy udział.
Analiza LMG (Lindeman, Merenda, and Gold)
Metoda LMG (nazywana też metodą Lindemana, Merendy i Golda) jest metodą rozkładu R² w regresji wielokrotnej, służącą do oceny udziału poszczególnych zmiennych niezależnych w wyjaśnieniu wariancji zmiennej zależnej. Algorytm LMG analizuje wkład zmiennych w każdym możliwym porządku włączenia do modelu, co pozwala ocenić rzeczywisty wpływ każdej zmiennej, uwzględniając ich potencjalne współzależności. Jest to metoda uznawana za sprawiedliwą, ponieważ rozkłada R² proporcjonalnie do wpływu zmiennych.W przypadku metody LMG najczęściej stosuje się wykres rozkładu R², który pokazuje wkład każdej zmiennej niezależnej w wyjaśnianie wariancji zmiennej zależnej. Można tu użyć wykresu słupkowego lub wykresu kołowego, gdzie każda sekcja odpowiada procentowemu udziałowi zmiennej w wyjaśnianiu wariancji. Wykres ten jest szczególnie przydatny do wizualizacji proporcji i łatwego porównania wkładu poszczególnych zmiennych.
Analiza LMG – wykres kołowy, który pokazuje procentowy wkład każdej zmiennej w wyjaśnianiu wariancji zmiennej zależnej.
Algorytmy odtworzeniowe
Algorytmy odtworzeniowe stosuje się do analiz danych w kontekście eksploracji i rekonstrukcji struktur, zwłaszcza gdy dane są niekompletne lub występują w dużych zbiorach o złożonej strukturze. Algorytmy te dążą do odtworzenia (rekonstrukcji) danych w celu ich pełnego zrozumienia lub odtworzenia ukrytych wzorców, które mogą być niezauważalne w zwykłej analizie. Przykładami są algorytmy grupowania, analiza składowych głównych (PCA) oraz różne metody uzupełniania braków w danych.
Wizualizacje dla algorytmów odtworzeniowych zależą od rodzaju analizowanego problemu. Jeśli, na przykład, chodzi o analizę klastrów, można wykorzystać wykresy rozproszenia z oznaczeniem klastrów kolorami. W przypadku analizy składowych głównych (PCA) można stworzyć wykresy pokazujące różne składowe, które tłumaczą wariancję w zbiorze danych. Dla uzupełniania braków w danych można zastosować wykresy liniowe lub wykresy pudełkowe, które pokazują różnice między oryginalnymi i odtworzonymi wartościami.
Algorytmy odtworzeniowe – wykres rozproszenia, przedstawiający wyniki analizy klastrów (trzy przykładowe klastry) jako przykład wizualizacji wyników z metod odtwarzania ukrytych wzorców.