7. 정적, 동적 패턴

데이터 분석: 이전에 알려지지 않았거나, 일반적인 틀에서 벗어난 패턴을 찾는 것.

• 시각적 뇌는 강력한 패턴 발견 엔진. 따라서 시각화 기술이 중요해진다.
  • 적절하게 시각화 하면 데이터 구조를 잘 파악 가능
  • 데이터를 매핑하는 최적의 방법은 지각 모델을 기반으로 해야한다.

패턴 인식

특정 패턴에서 객체를 추출하는 중간지점.

능동적 주의 과정으로 패턴 공간까지 도달해 객체를 추적하고 시각정보를 처리함.

• 정보 구조를 쉽게 인지되는 패턴에 매핑하여 쉽게 해석

7가지 게슈탈트 법칙

1. 근접성

서로 가까이 있는 것들은 지각적으로 그룹화된다.

• 관련 정보를 표현하는 심볼과 글리프는 서로 가깝게 배치한다.

2. 유사성

비슷한 요소들은 함께 그룹화된다.

• 격자 레이아웃을 디자인할때 색과 질감같은 저수준의 시각 특성을 이용하자

3. 연결성

연결된 요소는 색상, 크기, 모양, 위치등에 상관없이 강력한 그룹화가 될 수 있다.

• 객체 사이의 관계를 보여주기 위해 선이나 색 리본을 사용하여 데이터 그래픽 표현을 연결하자
• 하지만 너무 남발하면 보기 불편해진다.

4. 연속성

방향이 갑작스럽게 바뀌기 보다는 부드럽고, 연속적인 시각적 요소가 더 그룹화가 편하다

5. 대칭성

평행으로 대칭을 이루기 보다 시각적으로 전체를 형성시키는 것으로 그룹화로 강하게 인식된다

• 패턴을 쉽게 비교하기 위해 대칭을 사용하자

6. 폐쇄성

폐쇄된 윤곽은 사물로 인식된다.

7. 공통 지역

요소들이 같은 닫힌 영역에 위치하면 같은 그룹에 속한다 인식한다.

• 다수의 중첩영역을 규정하기 위해 윤곽선, 색, 질감, 콘스위트 윤곽선 조합등을 활용하자

추가. 형태와 배경

패턴의 일부 작은 구성요소는 사물로 인식된다.관련 정보

• 폐쇄, 공통영역, 레이아웃등의 조합을 사용하여 객체들이 배경이 아닌 심볼로 지각될 수 있도록 표현

다차원 데이터 에 대한 탐색적 데이터 분석

플로팅 기법

• 데이터를 차트나 그래프같이 시각화하는 것.
• 해당 플롯에서 패턴을 찾고, 결과를 해석하는 것이 중요

산점도(scatter plot)

각 데이터 포인트에 두 개의 속성이 있는 경우 산점도가 좋은 해결책

• 그러나 두 개 이상의 숫자 속성이 관련된 경우 효과적이지 않을 수 있고, 속성이 네개인 경우 글리프 크기와 색상을 추가하는 것이 일반적이다.

고차원 데이터 표시를 위해서는 산점도 행렬을 사용할 수 있다.

• 위의 그림에서 x1과 x2의 correlation이 강하다. 이걸 양의 상관관계가 존재한다 하는데,
• 위 두 변수가 만약 머신러닝에 활용된다면, 너무 강하게 연관되어있어서 모델의 해석력과 안정성이 크게 떨어진다.(모델은 x가 y에 끼치는 개별적영향을 알고 싶어함)

산점도 행렬에서 더 고차원으로 표현하려면 색상을 넣을 수도 있다.