数据科学中最重要的图

Most Important Plots in Data Science

下面的图展示了数据科学中最重要的 11 个必须掌握的图：

让我们简要了解它们以及它们的用途。

• 它用于评估分布（distribution）之间的差异。
• 其核心思想是测量两个分布的累积分布函数（CDF）之间的最大距离。
• 最大距离越小，它们越可能属于同一分布。
• 因此，与其说它是一种“图”，不如说它主要被解释为一种“统计检验”，用于判断分布差异。

• 它通过考虑特征之间的交互/依赖关系，来总结特征重要性对模型预测的影响。

• 它有助于判断特征的不同取值（低或高）如何影响整体输出。

• 它描绘了在不同分类阈值下，真正例率（好性能）与假正例率（差性能）之间的权衡。
• 其思想是在 TPR（好性能）与 FPR（差性能）之间取得平衡。

• 它描绘了在不同分类阈值下，精确率（Precision）与召回率（Recall）之间的权衡。

• 它评估观测数据与理论分布之间的分布相似性。
• 它将两个分布的分位数（quantile）相互对照绘制。
• 偏离直线表明与所假设的分布存在差异。

• 它有助于确定在 PCA 中保留最大方差的同时，可以将数据降维到多少维。

• 该图有助于确定 k-means 算法的最佳簇数。
• 肘部对应的点表示理想的簇数。

• 当簇的数量很多时，肘部曲线通常效果不佳。
• 如上图所示，轮廓曲线（Silhouette Curve）是更好的替代方案。

• 它们用于衡量决策树中某个节点或分裂的不纯度或混乱程度。
• 该图比较了不同分裂下的基尼不纯度（Gini impurity）和熵（Entropy）。
• 这有助于洞察这些度量之间的权衡。

• 它可能是这份清单中最受欢迎的图。
• 它用于在模型的偏差和方差相对于复杂度之间找到合适的平衡。

• 描绘目标与特征之间的依赖关系。
• 目标与一个特征之间的图 → 单变量 PDP（1-way PDP）。
• 目标与两个特征之间的图 → 双变量 PDP（2-way PDP）。
• 在最左边的图中，温度升高通常会导致更高的目标值。