이유는 다음과 같습니다.
* 데이터 시각화 : 여기에는 그래프, 차트,지도 또는 다이어그램과 같은 시각적 형식으로 데이터를 제시하는 것이 포함됩니다. 과학자들은 다음을 수행 할 수 있습니다.
* 스팟 트렌드 : 원시 데이터만으로 식별하기 어려운 패턴을 신속하게 식별하십시오.
* 관계 공개 : 다른 변수가 어떻게 상호 작용하는지 확인하여 예기치 않은 상관 관계 또는 통찰력을 유발합니다.
* 특이 치 식별 : 추가 조사를 보장 할 수있는 비정상적인 데이터 포인트를 강조하십시오.
* 전달 결과 : 결과를 동료 및 더 넓은 과학계와 효과적으로 공유하십시오.
예 :
* 산점도는 온도와 식물 성장 사이의 관계를 보여줄 수 있습니다.
* 히트 맵은 즉시 명확하지 않은 질병 분포의 지리적 패턴을 보여줄 수 있습니다.
* 네트워크 다이어그램은 생물학적 경로에서 단백질 사이의 연결을 밝힐 수 있습니다.
해석을 도울 수 있지만 반드시 예상치 못한 패턴을 드러내지는 않는 다른 도구는 다음과 같습니다.
* 통계 분석 : 관계를 정량화하고 가설을 테스트하는 데 사용되지만 종종 사전 기대에 의존합니다.
* 기계 학습 : 복잡한 데이터 세트에서 숨겨진 패턴을 발견 할 수 있지만 해석하려면 광범위한 데이터와 전문 지식이 필요할 수 있습니다.
* 시뮬레이션 모델링 : 가설을 테스트하고 결과를 예측할 수 있지만 기존의 지식과 가정을 기반으로합니다.
이러한 도구는 가치가 있지만 데이터 시각화는 예상치 못한 패턴을 발견하고 과학적 발견을 주도하기위한 강력한 도구로 두드러집니다.
