Буланова Анастасия

  Для анализа я брала статистику рождаемости за 10 лет в Египте. (компьютер перестал делать скриншоты) Исследование показало слабую, но всё же существующую, корреляцию между двумя группами данных. Сами по себе данные не предполагают сильной взаимосвязи. Наиболее наглядными оказались модели Polynomia Regression, Scatter Plot, Linear Projection . Форма Data Tablе мне показалась неудобной с другими моделями. Все представленные визуализации подтверждают практически полное отсутствие пересечений и связей между исследуемыми данными.

В анализе используется база данных  last.fm 1. Rock и classic rock, а также rock и indie, демонстрируют сильную взаимосвязь в модели Network Explorer. Преобладает контент, классифицированный как "другое". 2. Rock (жёлтый круг) играет центральную роль и доминирует, если не считать категорию "другое", соединяя различные музыкальные направления. 3. Модель Network Explorer наиболее эффективна для визуализации связей между компонентами. В отличие от MDS, где связи трудноразличимы, и Correlations, представляющей избыточно детальную информацию, Network Explorer обеспечивает чёткую картину.

Ощущение, что у меня не корректные данные. Я не могу сделать вывод по результату анализа.  Был взят файл данных о прослушивании альбомов ( airtraffic ).

  1) Сравните результаты из кластеризации, Image Grid и алгоритма  t-SNE . Есть ли между ними разница? Если да, то какая модель на ваш взгляд точнее. Мне больше нравится Image Grid, так как мы определяем изображения не только по названию, но и по самому кадру, который программа показывает. В  t-SNE  такого нет, что усложняет анализ. Из моих наблюдений Image Grid лучше справляется с задачей. 2) Опишите, что за фото вы брали для анализа. Почему, на ваш взгляд, они разделились именно на такие группы? Согласны ли вы с такой логикой разделения? Я выбрала фотографии леса и поля. Фотографии разделились по  визуальному сходству, например, есть группа фотографий, где изображен туман и фото сделаны с над лесом. Вторая группа - кадры в лесу. Третья группа - две одинаковые фотографии. Я согласна с такой логикой разделения. Модель t-SNE распределила похожим образом.

  Для анализа я взяла фото леса  По Image Grid легче ориентироваться, более чем на MDS-модель, так как первая модель показывает изображения. Разделение было по схожести фотографий: тропинка, поляна, погода, цвет. Могу согласиться с разделением.