データソーラス12個

Datasaurus 12 は、小数点以下 2 桁までほぼ同じ単純な記述統計量を持つが、分布が大きく異なり、グラフ化すると大きく異なるように見える13 のデータセットで構成されています。^[¹^]これは、1973 年に作成されたより小規模なAnscombe 4 組に触発されたものです。

データ

以下の表は、13個のデータセットすべてに関する要約統計量を示しています。

13個のデータセットには、以下のようにラベルが付けられました。

離れて
的の中心
丸
恐竜
ドット
h_lines
ハイライン
斜め下向き
上向きに傾く
星
v_line
ワイドライン
x_形状

アンスコムの4つ組と同様に、データソーラスの12個組は、特定の関係の種類に従って分析を開始する前にデータセットをグラフィカルに見る重要性と、現実的なデータセットを記述するための基本的な統計的特性の不十分さをさらに示すために設計されました。^{[ 2 ]}^{[ 3 ]}^{[ 4 ]}^{[ 5 ]}^{[ 1 ]}^{[ 6 ]}

創造

アルベルト・カイロが作成した恐竜データセットは、データサウルス・ダズンの作成にインスピレーションを与えた。

ティラノサウルスの形をした最初のデータセットは、 2016年にアルベルト・カイロによって構築され、これが「データサウルス」データセットの残りの部分に影響を与えた。^{[ 7 ]}^{[ 8 ]}マールテン・ランブレヒツはこのデータセットを「アンスコンボサウルス」とも呼ぶことを提案した。^{[ 7 ]}

このデータセットには、 Autodeskの Justin Matejka と George Fitzmaurice によって作成された他の 12 個のデータセットが付属していました。データセットがどのように生成されたかが不明な Anscombe の 4 つのデータセットとは異なり、^{[ 9 ]}著者らはシミュレーテッドアニーリングを使用してこれらのデータセットを作成しました。彼らは、目的の形状に向かって各点に小さくランダムで偏った変更を加えました。各形状の完成には 200,000 回の摂動の反復が必要でした。^{[ 1 ]}

このアルゴリズムの擬似コードは以下のとおりです。

current_ds ← initial_ds x回の反復に対して、以下を実行する。 test_ds ← perturb(current_ds, temp) if similar_enough(test_ds, initial_ds): current_ds ← test_ds 関数 perturb(ds, temp): ループ： テスト ← move_random_points(ds) fit(test) > fit(ds) または temp > random() の場合: リターンテスト

どこ

initial_dsシードデータセットは
current_dsこれはデータセットの最新バージョンです
fit()これは、点の移動によって目的の形状に近づくかどうかをチェックするために使用される関数です。
tempシミュレーテッドアニーリングアルゴリズムの温度
similar_enough()これは、与えられた2つのデータセットの統計情報が十分に類似しているかどうかをチェックする関数です。
move_random_points()データポイントをランダムに移動させる関数です

参考文献

1 2 3 Matejka, Justin; Fitzmaurice, George (2017-05-02). "同じ統計、異なるグラフ：シミュレーテッドアニーリングによる外観の異なる同一の統計を持つデータセットの生成" (PDF) . 2017 CHI Conference on Human Factors in Computing Systems 論文集. CHI '17. ニューヨーク州ニューヨーク市、米国：Association for Computing Machinery. pp. 1290–1294 . doi : 10.1145/3025453.3025912 . ISBN 978-1-4503-4655-92017年5月2日にオリジナルからアーカイブされました。
↑ Elert, Glenn (2021). "線形回帰 - 実践" . The Physics Hypertextbook .
↑ Janert, Philipp K. (2010).オープンソースツールによるデータ分析. O'Reilly Media . pp. 65–66 . ISBN 978-0-596-80235-6。
↑ Chatterjee, Samprit; Hadi, Ali S. (2006). Regression Analysis by Example . John Wiley and Sons. p. 91. ISBN 0-471-74696-7。
↑ Saville, David J.; Wood, Graham R. (1991).統計的方法：幾何学的アプローチ. Springer . p. 418. ISBN 0-387-97517-9。
↑タフティ、エドワード・R. (2001).定量情報の視覚的表示（第2版）. チェシャー、コネチカット州：グラフィックス・プレス. ISBN 0-9613921-4-2。
1 2カイロ、アルベルト。「データソーラスをダウンロード：要約統計だけを信用してはいけません。常にデータを視覚化してください」。 2024年6月20日にオリジナルからアーカイブ済み。 2024年2月1日に取得。
↑マータグ、ジャック ( 2024-02-01 )。「恐竜のグラフから学ぶ、より良い科学研究の方法」。サイエンティフィック・アメリカン。2024-03-08 閲覧。
↑ Chatterjee, Sangit; Firat, Aykut (2007). "Generating Data with Identical Statistics but Dissimilar Graphics: A follow up to the Anscombe dataset". The American Statistician . 61 (3): 248– 254. doi : 10.1198/000313007X220057 . JSTOR 27643902 . S2CID 121163371 .

外部リンク

オートデスク社提供のDatasaurus Dozenデータセットのアニメーション例
datasauRus 、 Rの Datasaurus Dozen のデータセット
データソーラス・ダズン（CSVおよびタブ区切りファイル）https://www.openintro.org/data/index.php?data=datasaurus

[Matejka2017-1] 1 2 3 Matejka, Justin; Fitzmaurice, George (2017-05-02). "同じ統計、異なるグラフ：シミュレーテッドアニーリングによる外観の異なる同一の統計を持つデータセットの生成" (PDF) . 2017 CHI Conference on Human Factors in Computing Systems 論文集. CHI '17. ニューヨーク州ニューヨーク市、米国：Association for Computing Machinery. pp. 1290–1294 . doi : 10.1145/3025453.3025912 . ISBN 978-1-4503-4655-92017年5月2日にオリジナルからアーカイブされました。

[2] Elert, Glenn (2021). "線形回帰 - 実践" . The Physics Hypertextbook .

[3] Janert, Philipp K. (2010).オープンソースツールによるデータ分析. O'Reilly Media . pp. 65–66 . ISBN 978-0-596-80235-6。

[4] Chatterjee, Samprit; Hadi, Ali S. (2006). Regression Analysis by Example . John Wiley and Sons. p. 91. ISBN 0-471-74696-7。

[5] Saville, David J.; Wood, Graham R. (1991).統計的方法：幾何学的アプローチ. Springer . p. 418. ISBN 0-387-97517-9。

[6] タフティ、エドワード・R. (2001).定量情報の視覚的表示（第2版）. チェシャー、コネチカット州：グラフィックス・プレス. ISBN 0-9613921-4-2。

[Cairo-7] 1 2カイロ、アルベルト。「データソーラスをダウンロード：要約統計だけを信用してはいけません。常にデータを視覚化してください」。 2024年6月20日にオリジナルからアーカイブ済み。 2024年2月1日に取得。

[8] マータグ、ジャック ( 2024-02-01 )。「恐竜のグラフから学ぶ、より良い科学研究の方法」。サイエンティフィック・アメリカン。2024-03-08 閲覧。

[ChatterjeeFirat-9] Chatterjee, Sangit; Firat, Aykut (2007). "Generating Data with Identical Statistics but Dissimilar Graphics: A follow up to the Anscombe dataset". The American Statistician . 61 (3): 248– 254. doi : 10.1198/000313007X220057 . JSTOR 27643902 . S2CID 121163371 .

[

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

データ

創造

関連項目

参考文献

外部リンク