为何要在人工智能和工程领域将数据可视化？

您已经了解，数据可视化是以图形方式呈现信息。但为何这种做法如此重要，尤其是在人工智能（AI）和工程等学科中？虽然电子表格和数字表格包含了原始事实，但它们常常掩盖数据所蕴含的信息。我们的大脑非常擅长快速处理视觉信息，这使得图表成为理解数据的有效工具。

在人工智能和工程领域，您经常遇到大量、复杂的数据集。试想一下，仅仅通过查看数字的行和列，就想了解制造工厂中数千个传感器的行为，或是机器学习 (machine learning)模型中数百个特征之间的关联，这效率低下，而且常常难以做到。可视化将这些抽象数据转化为具体的形状和模式，让您可以轻松解读。

以下是为何可视化在这些技术方面是一项非常重要的能力：

1. 数据初步分析 (EDA)： 在构建任何复杂模型或系统之前，您需要了解您的数据。可视化是数据初步分析的主要手段。

   • 识别趋势和规律： 折线图可以显示传感器读数或股票价格随时间的变化。散点图可以显示两个变量之间的潜在关联，例如发动机温度和燃油效率。
   • 发现异常值和离群点： 异常数据点在散点图或箱线图等图表中常常在视觉上很显眼。这些可能表示数据采集错误、设备故障或值得查看的特殊事件。
   • 了解数据分布： 直方图和密度图显示数据如何分布。它是对称的吗？偏斜吗？它有多个峰值吗？这为数据处理和建模的选择提供了根据。

2. 模型评估与解读（尤其在人工智能中）： 构建一个人工智能模型只是任务的一部分。您需要了解它的表现以及为何如此。

   • 评估表现： 在模型训练期间（学习曲线）绘制准确率或错误率等指标有助于诊断诸如过拟合 (overfitting)（模型对训练数据学习得太好，但在新数据上表现不佳）或欠拟合 (underfitting)（模型过于简单）等问题。
   • 分析错误： 将分类模型所犯的错误类型可视化（例如，使用混淆矩阵图）可以为改进提供方向。绘制回归模型中的预测误差（残差）有助于检验模型假设是否成立。
   • 解读复杂模型： 存在一些方法可以可视化深度神经网络 (neural network)等复杂模型如何做出决策，从而掌握其内部运行机制。

3. 数据质量评估： 清洁、可靠的数据是必不可少的。可视化提供了进行快速初步质量检查的方法。

   • 图表可以突出显示缺失数据的模式。
   • 分布中不寻常的形状可能表示数据录入错误或测量问题。

4. 传达结果和见解： 也许最重要的优点之一是沟通。与表格或一段文字相比，通过清晰的图表向同事、经理或客户解释来自复杂数据或模型的技术发现，效果要好得多。精心设计的可视化使主要信息即时且易于理解，有助于讨论和决策。

思考从原始数据到可操作性认识的基本流程：

该图表显示了原始数据如何通过绘图转化为可视化，然后通过解读获得认识和信息。

综上所述，数据可视化不仅仅是创建美观的图形。它是审查数据、验证模型、发现问题以及有效传达复杂信息的一种基本方法。对于任何从事人工智能、数据科学或工程工作的人来说，培养扎实的可视化能力不仅有帮助，而且是理解这些学科中数据丰富环境的必不可少的能力。随着您在本课程中的学习，您将学会使用 Python 将原始数据转化为有价值的视觉呈现的实用技能。