Вам удалось установить все Основные библиотеки Python для вашего проекта машинного обучения. Вы также проанализировали свои данные и обнаружили несколько интересных закономерностей, которые определенно повлияют на ваше бизнес-решение.
Поскольку хорошо нарисованный график говорит за тысячу слов, вы решаете позволить данным представить себя.
Однако вы снова сталкиваетесь с множеством библиотек Python. Какую библиотеку визуализации выбрать для своего проекта машинного обучения? Каждый из них обладает своими суперспособностями, поэтому давайте подробнее рассмотрим самые популярные варианты.
Матплотлиб
В качестве низкоуровневого решения Matplotlib является стандартным вариантом, когда речь идет об экспорте 2D-графиков и графиков. Библиотека позволяет создавать разнообразие графиков и (сюрприз!) работает из коробки как с объектами Numpy, так и с объектами Pandas более высокого уровня.
Преимущество библиотеки Matplotlib заключается в том, что ее среда построения графиков легко настраивается. Это означает, что мельчайшие детали, такие как сетки, легенды и метки, можно контролировать независимо друг от друга.
Однако такая повышенная гибкость имеет свою цену. Будьте готовы к крутому обучению, изучая сотни доступных вам кнопок и методов.
Сиборн
Как библиотека визуализации высокого уровня, Seaborn предлагает красивые, качественные фигуры из коробки. Библиотека предназначена для визуализации различных статистических моделей и помогает быстро изучить отношения между несколькими переменными.
Сложные графики можно легко создавать, не беспокоясь о базовой магистрали Matplotlib, но настройка по-прежнему возможна, если вы чувствуете себя предприимчивым. Основными особенностями этой библиотеки являются набор встроенных тем визуализации, настраиваемые цветовые палитры и встроенная поддержка мультиграфических сеток. Действительно трудно устоять!
сюжетно
Также высокоуровневая библиотека Plotly поддерживает интерактивную визуализацию данных в сети. Это позволяет либо создавать графики и графики с нуля, либо импортировать их из существующих форматов Matplotlib.
Настройка общедоступных или частных информационных панелей позволяет сотрудничать между несколькими членами команды. Кроме того, веб-среда может быть подключена через свой API из нескольких языков программирования (R, Matlab и др.).
В отличие от предыдущих библиотек, Plotly не имеет открытого исходного кода. Однако дополнительные инструменты, которые он предоставляет через свое коммерческое предложение, могут по-прежнему представлять интерес для вас или вашей команды.
Боке
Bokeh — еще один выбор для поклонников интерактивной визуализации. Это веб-инструмент, идеально подходящий для совместного использования и совместной работы над графиками данных. Мощный интерфейс основан на javascript и позволяет исследовать различные наборы данных: наряду с многомерными таблицами также поддерживаются данные геолокации и сетевые графики.
Развертывание собственного сервера Bokeh во время исследовательского анализа данных, совместная работа над интерактивными блокнотами Jupyter и даже встраивание интерактивных графиков в документы HTML — вот некоторые из наиболее привлекательных функций.
Кроме того, веб-взаимодействия (такие как масштабирование, наведение курсора, выбор точек данных) делают инструмент особенно подходящим для представления отчетов на основе данных в современных браузерах.
Эти библиотеки Python являются наиболее популярными вариантами, позволяющими легко визуализировать данные и результаты анализа. В следующий раз мы попытаемся выяснить, какие фреймворки Python Deep Learning подходят для решения ваших задач на основе данных.
