La visualización de datos implica representar datos en gráficos que muestran claramente patrones, tendencias y correlaciones que pueden pasar desapercibidas cuando los datos se muestran como una lista de números, texto u otros valores de datos. Los profesionales han entendido durante mucho tiempo el valor de las buenas herramientas de visualización para proporcionar información y ayudar a comunicar los resultados de los datos, y las personas han utilizado gráficos durante siglos, mucho antes de la existencia de los computadores.

Las herramientas de visualización pueden ser útiles en varios puntos a lo largo de un proyecto de IA, en especial cuando comparte sus resultados con otras personas. En este punto del proceso, sin embargo, su enfoque está en generar visualizaciones que lo ayuden a analizar sus datos.

Hay muchas herramientas que los profesionales utilizan para generar visualizaciones de datos. Algunos son programas externos que pueden tomar datos como entrada y luego generar varias visualizaciones diferentes, como Microsoft^®, Excel^® o Tableau^®. Otro software de visualización tiene forma de bibliotecas de código para lenguajes de programación como Python^®. Los profesionales de IA eligen qué herramienta usar en función de varios factores. La mayoría de estas herramientas pueden generar los mismos tipos de visualizaciones, por lo que la elección en general se reduce al nivel de comodidad del profesional con ciertas herramientas y qué entornos están dispuestos a apoyar las organizaciones para las que trabajan.

Un histograma compara diferentes frecuencias de una variable numérica continua. En otras palabras, representa la distribución de una variable continua. Dado que una variable continua puede extenderse de forma infinita y no tiene espacios definidos entre cada valor, se coloca en varios contenedores que dividen todo el rango de la variable a lo largo del eje horizontal. El eje vertical muestra la frecuencia de las observaciones en cada contenedor. Por lo tanto, una variable continua puede ser algo así como precio, altura, velocidad, tiempo, etc. El histograma mostrará cuántas observaciones caben en cada contenedor.

Los gráficos que vio anteriormente que demuestran distribuciones de probabilidad son histogramas. Por lo tanto, los histogramas proporcionan un resumen visual que se puede interpretar rápidamente para comprender dónde se concentran los valores, dónde se encuentran los extremos, la asimetría general de la distribución y si hay o no multimodalidad.

La siguiente ilustración se basa en un conjunto de datos de respuestas a una encuesta realizada por un desarrollador de videojuegos. Los encuestados se inscribieron en una versión de prueba del juego más reciente del desarrollador y se los animó a jugar durante el tiempo que quisieran. Además, se obtuvo la edad de cada encuestado de sus perfiles. Por lo tanto, cada encuestado es una fila en el conjunto de datos y play_time es una característica o columna, al igual que la age de dicho encuestado.

En el histograma de la izquierda, la distribución del tiempo de juego está sesgada hacia la derecha, lo que indica que la mayoría de las personas tenían sesiones de juego más cortas. Parece que la mayoría de las sesiones están en el rango de 10 a 30 minutos. La distribución también revela la presencia de algunos valores atípicos, como el tiempo de juego superior a 120 minutos (2 horas). En el histograma de la derecha, la edad de los encuestados parece ser multimodal, con picos notables para los encuestados en los últimos años de su adolescencia o principios de los 20 y principios de los 30. A pesar de ser multimodal, no hay mucho de un sesgo, por lo que el histograma no revela ningún valor atípico importante cuando se trata de la edad.

Un diagrama de violín es un método para mostrar la distribución de un valor numérico a través de la densidad de probabilidad. Es similar a un gráfico de caja en que puede mostrar una estadística de resumen como IQR; pero también puede revelar más sobre dónde los datos tienden a caer dentro del rango de valores. La distribución se calcula utilizando una estimación de densidad de kernel (KDE), que difiere de cómo se calcula una distribución de histograma. La distribución de un KDE se suaviza en curvas, en lugar de representarse como contenedores rectangulares como en un histograma. Esto ayuda a aliviar algunos de los problemas de un histograma, como la dificultad de elegir un buen tamaño de contenedor. Un diagrama de violín recibe su nombre del hecho de que la distribución de KDE se extiende desde ambos lados de la línea de rango, creando una forma que recuerda a un violín. Las áreas más amplias de la distribución indican una mayor probabilidad de que las muestras de datos estén en ese valor, mientras que las áreas más delgadas indican una probabilidad más baja.

Los diagramas de violín se utilizan con mayor frecuencia para comparar distribuciones entre muestras de datos similares. En la figura, se trazan los tiempos medios de juego durante dos días diferentes, donde cada día es su propio violín.

Los horarios de juego para el 2 de enero están muy dispersos; parece que bastantes usuarios tenían sesiones de larga duración, haciendo que el violín se disparara hacia el extremo superior. Además, un tiempo de juego de alrededor de 25 minutos parece tener la probabilidad más alta. El violín para el 3 de enero está menos disperso en general, pero exhibe un grado significativo de variación dentro de esa dispersión. Los tiempos de juego son mucho más propensos a ser de alrededor de 25 minutos y es mucho menos probable que estén ligeramente por encima o por debajo de eso.

Nota: Los violines se extienden por debajo de 0 minutos debido a cómo se calcula el KDE. Esto no significa que algunos usuarios jugaron por tiempo negativo, solo que hay una probabilidad de que lo hagan, ya que el KDE no es consciente automáticamente de los valores mínimos o máximos posibles. Algunas herramientas de visualización pueden configurar un punto de corte para los violines para que no se extiendan a un territorio improbable.

Un diagrama de dispersión representa visualmente la relación entre dos variables mediante el uso de puntos en un gráfico. Normalmente se traza en dos dimensiones, donde el eje horizontal (el eje x) corresponde a la variable x y el eje vertical (el eje y) corresponde a la variable y. Se coloca un punto para cada ejemplo de datos, donde los valores de ese ejemplo en x e y se intersectan.

Los diagramas de dispersión son útiles para determinar cómo se correlacionan dos variables numéricas. Por lo tanto, a medida que aumentan los valores de una característica, los valores de otra característica también pueden aumentar; una correlación positiva. O a medida que aumentan los valores de una característica, los valores de otra característica pueden disminuir; una correlación negativa. Por supuesto, también es posible que no haya un patrón discernible de cómo se propagan los puntos, lo que indica que no hay una correlación real entre las variables.

En la encuesta de videojuegos, los jugadores proporcionaron su edad cuando se inscribieron para obtener una cuenta. Por lo tanto, es posible que esté interesado en estudiar cómo (o si) la edad y el tiempo de juego se correlacionan. Puede ver esto fácilmente usando un diagrama de dispersión, como en la siguiente figura.

En este caso, no parece haber mucha correlación entre la edad y el tiempo de juego. Los puntos no suben o bajan constantemente a medida que aumenta la edad. Los jugadores más jóvenes no necesariamente juegan durante más tiempo, y viceversa. Incluso si no puede identificar una correlación, sigue siendo útil crear diagramas de dispersión, ya que a menudo es tan importante saber cuándo dos variables no se correlacionan como cuando lo hacen. También puede utilizar diagramas de dispersión como otra forma de detectar valores atípicos, esta vez en relación con alguna otra variable. Entonces, parece que la persona que jugó en esa sesión que duró más de 2 horas lo hizo en su adolescencia.

Un gráfico de líneas es similar a un gráfico de dispersión, excepto que los puntos del gráfico están conectados por una serie de líneas rectas. Las gráficos de líneas habitualmente se utilizan para visualizar alguna tendencia a lo largo del tiempo, donde el tiempo se muestra en el eje x y la otra variable en el eje y. Las líneas se trazan desde el primer valor del eje x hasta el siguiente, luego al siguiente y así sucesivamente. Por lo tanto, es común ordenar primero los datos del eje x si aún no están en orden.

En la encuesta de videojuegos, después de que los jugadores habían terminado su sesión, se les pidió que calificaran su experiencia del 1 al 10. El siguiente gráfico muestra las clasificaciones medias de los jugadores para cada uno de los siete días en que se realizó la encuesta.

Dentro de la primera semana del mes, las calificaciones de los jugadores en enero y febrero parecían fluctuar, con las calificaciones de febrero con una verdadera tendencia a la baja. Sin embargo, las calificaciones de enero parecen haber subido en el último día. Además de ese incremento, ambos meses parecen seguir una tendencia similar durante la primera semana. También se puede observar que, durante la mayor parte de la primera semana, las calificaciones de enero son más elevadas que las calificaciones de febrero. Los gráficos de líneas son útiles para comparar las tendencias de las variables similares durante un período de tiempo común, como se muestra en este ejemplo.

Un gráfico de área es un tipo de gráfico de líneas en el que el espacio debajo de la línea se rellena con algún color o textura. Al igual que un gráfico de líneas estándar, un gráfico de área se utiliza normalmente para representar las modificaciones a lo largo del tiempo, pero poniendo un mayor énfasis en la tendencia general de los datos, en lugar de los puntos de los datos específicos. También se utilizan comúnmente en un formato apilado, en el que se comparan las mismas mediciones en diferentes contextos. Por ejemplo, podría crear un gráfico de área en la que se muestre el tiempo de reproducción por día, pero con cada pila del área que represente un mes diferente.

En este gráfico, se trazan los tiempos medios de juego para la primera semana del mes. La pila azul oscuro en la parte inferior es para enero, mientras que la pila azul claro en la parte superior es para febrero. Tenga en cuenta que los gráficos de áreas apiladas pueden ser engañosos. En el gráfico, el tiempo medio de reproducción para el 1 de febrero no es aproximadamente 85 minutos, a pesar de que la pila alcanza ese nivel elevado en el eje y. Solo la pila más baja se alinea correctamente con el eje y; el resto de las pilas son del mismo tamaño relativo, ubicadas una encima de la otra. Debe interpretar las pilas relacionadas entre sí, en lugar de en una escala absoluta. Por ejemplo, el pico del 4 de febrero es ligeramente superior al pico del 4 de enero.

El gráfico de área marca la tendencia general a la baja del tiempo de juego durante la semana (para ambos meses), aunque con picos y valles alternos obvios.

Un gráfico de barras representa la medida proporcional de los valores categóricos mediante barras horizontales o verticales. En un gráfico de barras verticales, los valores categóricos se encuentran a lo largo del eje horizontal y la medición de cada valor categórico se ubica a lo largo del eje vertical. Lo contrario es cierto para un gráfico de barras horizontal. El propósito de un gráfico de barras es comparar la medición del valor discreto de cada categoría con otros valores de esa categoría.

Los gráficos de barras se parecen a los histogramas, pero recuerde que los histogramas trazan las distribuciones de probabilidad de las variables continuas, divididas por un número arbitrario de bins. Los gráficos de barras se ocupan de las frecuencias de las variables categóricas. En la encuesta de videojuegos, los jugadores se categorizaron de acuerdo con la ciudad en la que residen. También se clasificaron por género. Por lo tanto, el siguiente gráfico de barras compara las calificaciones medias y el género de los jugadores de cada ciudad.

Crear y analizar gráficos individuales ciertamente puede ser beneficioso, pero a veces puede estar perdiendo un contexto importante. La visualización de los diagramas combinados puede ser útil para revelar información aún más pertinente sobre sus conjuntos de datos. Puede configurar un espacio de trazado con varios subgráficos, cada una de ellos relacionados con una idea general pero que muestran ligeras variaciones.

En la siguiente figura, una cuadrícula de gráficos de barras compara la calificación media del jugador en tres condiciones categóricas diferentes: ciudad, género y si el jugador recomendaría o no el juego a amigos y familiares.

Al colocar gráficos relacionados juntos en una cuadrícula grande, se pueden comparar mejor las variaciones en múltiples dimensiones, sin tener que analizar estos gráficos de forma aislada. Cada fila de la cuadrícula general representa el género, mientras que cada columna general representa el estado de la recomendación. Por ejemplo, el gráfico inferior izquierdo muestra los jugadores masculinos que recomendarían el juego a otros. Dentro de cada gráfico, cada barra representa una ciudad diferente. Una conclusión que se podría extraer de este ejemplo es que, mientras que las jugadoras que no recomendarían el juego jugaron por menos tiempo que si lo recomendarían, los jugadores masculinos fueron menos predecibles. De hecho, las dos ciudades donde los jugadores masculinos que recomendaban tenían el tiempo de juego más bajo (Olinger y Agerstown) eran las mismas donde los jugadores que no lo recomendaban tenían el tiempo de juego más alto. Esto podría sugerir diferentes patrones de recomendación y de juego según el género, al menos para este conjunto de datos.

Algunos tipos de datos pueden describir una ubicación geográfica particular y, por lo tanto, pueden ser apropiados para analizar utilizando mapas geográficos. El conjunto de datos debe incluir algunos elementos de datos que puedan utilizarse para identificar coordenadas o ubicaciones dentro del mapa, como latitud y longitud o códigos postales. 

Aunque los mapas suelen utilizarse para grandes áreas, como una ciudad o un país, también pueden usarse para visualizar puntos de datos que cubren un área pequeña o un conjunto, como un único edificio, la anatomía de una persona o un animal, una pieza de equipo (como la ubicación de fallas estructurales observadas dentro de un avión en particular) y así sucesivamente.
En la siguiente imagen, se muestra el precio de viviendas en un mapa de Seattle, Washington. Cuanto más grande sea el marcador azul, más costosa será la vivienda.

Podría usar esto para sacar algunas conclusiones sobre cada vecindario y el valor relativo de sus inmuebles. El área al este de Lake Union (en la parte superior izquierda del mapa) tiene las viviendas más costosas desde esta perspectiva, mientras que el barrio residencial de Burien al sur tiene algunas de las menos costosas.

Un mapa de calor marca regiones del gráfico con una intensidad o sombra de color en función de los valores de datos en esa ubicación del gráfico. Esta codificación por colores facilita la identificación de patrones de valores por su color y ubicación dentro de la cuadrícula para los espectadores. Por ejemplo, un mapa de calor podría marcar ubicaciones de viviendas en un mapa. Las partes del mapa donde la densidad de las viviendas es mayor pueden resaltarse con un tono o color en particular. Cuando la densidad de las viviendas es baja, se puede mostrar un tono o color diferente. En varias partes del mapa, la mezcla de los dos tonos o colores reflejará cuán dispersas o densas son las viviendas en esa ubicación.

Si bien los mapas de calor pueden usarse para presentar una cuadrícula que representa ubicaciones físicas (como viviendas ubicadas dentro de una ciudad), también pueden usarse para mostrar divisiones conceptuales. Por ejemplo, un mapa de calor puede utilizarse para mejorar una matriz de correlación. La matriz de correlación es una cuadrícula que muestra cómo los elementos de datos de cada columna se correlacionan con los elementos de datos de todas las demás columnas. Cada celda de la cuadrícula muestra la medida de correlación entre dos columnas. Los pares de datos con menor correlación se muestran en tonos más claros, mientras que los pares de datos con mayor correlación se muestran en tonos más oscuros. Al analizar la intensidad de los tonos mostrados, puede identificar rápidamente los pares de columnas con la correlación más alta o más baja.

En la siguiente figura, la imagen de la izquierda agrega otra dimensión al mapa geográfico, ya que el número de viviendas se indica mediante cambios de color. La imagen de la derecha muestra una matriz de correlación de características en un conjunto de datos de precios de viviendas, como el número de dormitorios, cantidad de pies cuadrados, el número de pisos y, por supuesto, su precio. Ambos se consideran mapas de calor, a pesar de utilizarse de diferentes maneras.

Para obtener más información los otros tipos de gráficos, consulte este sitio.